时间：2026年7月30日
地点：英国伦敦
人物：PolyAI公司
事件详情：PolyAI于7月30日正式发布Dialog-RSN-1，这是一款原生音频对话大模型，将turn-taking、语音识别、函数调用和响应统一进单一音频原生模型，TTS模块保持独立输出。该模型已在企业生产环境处理真实通话，延迟区间280至500毫秒，稳定在300毫秒以内。相比之下，OpenAI GPT-realtime-2.1延迟通常在860至1900毫秒。模型延迟已接近200至300毫秒的人类自然对话停顿区间，能更好地捕捉用户犹豫、口音与环境噪音等非言语线索。
背景：当前语音AI市场存在两条主流技术路线。一是级联架构，把ASR、LLM与TTS串联，文本转录后丢失语调与口音信息；二是端到端语音-语音模型，如GPT-realtime和Gemini Live，把语音能力嵌入模型，但定制声音成本高、流式硬件开销大。PolyAI的Dialog-RSN-1开辟第三条路径，融合原生音频理解与TTS解耦，通过监督微调与强化微调对开源多模态基座后训练。PolyAI创立于2017年，2025年12月完成8600万美元D轮融资，累计服务超100家企业客户、2000+生产部署。
影响：
- 通话延迟300毫秒对齐人类自然对话节奏，大幅降低AI不当打断与用户挫败感
- 在餐饮集团场景，问题自主解决率相对提升11%；在保险公司场景，端到端延迟下降37%
- 模型可识别非言语线索，捕捉犹豫、修正发音、察觉情绪升级，提升复杂客服场景的服务质量
- 支持A100 GPU部署8B密集或30B稀疏模型，把企业级语音Agent成本压到商用可行区间
总结：PolyAI的Dialog-RSN-1介于传统级联与语音-语音模型之间，开创原生音频理解加TTS独立输出的中间路线。该模型300毫秒级响应速度与可定制TTS分离的双重优势，正在把语音AI客服从功能性应答推向自然交流新阶段。对正在餐饮、保险、零售、医疗等高通话量行业部署AI Agent的企业来说，延迟对齐人类真实节律、声音可控私有部署，正是这场语音AI体验升级的核心竞争力。
参考来源：
- https://poly.ai/blog/PolyAI-dialog-rsn-1
- https://poly.ai/dialog-rsn-1-early-access
- https://www.marktechpost.com/2026/07/30/polyai-releases-dialog-rsn-1-an-audio-native-dialog-model-that-fuses-turn-taking-speech-recognition-function-calling-and-response/
- https://news.qq.com/rain/a/20260730A0BC9A00
- https://huggingface.co/PolyAI