英伟达研究团队近日正式发布了名为 PersonaPlex-7B-v1 的全双工语音对语音对话模型。这款模型彻底打破了传统 AI 语音助手“听一句、回一句”的呆板模式，旨在实现更接近真人的自然对话体验。

image.png

与过去需要通过 ASR（语音转文本）、LLM(大语言模型)、TTS(文本转语音)多个环节串联的架构不同，PersonaPlex采用了一个单一的 Transformer 架构，直接完成语音理解与生成的全过程。AIbase 了解到，这种“端到端”的设计极大降低了响应延迟，并赋予了 AI 处理自然中断、语音重叠以及即时反馈的能力。简单来说，就像真人聊天一样，AI 在说话的同时也在持续倾听，即便用户突然打断，它也能迅速做出反应。

此外，该模型在个性化控制方面表现卓越。通过“语音+文本”的双重引导，用户不仅能定义 AI 的角色背景，还能精确控制其音色和语调。AIbase 获悉，英伟达在训练中结合了海量真实通话数据与合成场景，使模型既具备自然的语言习惯，又能严格遵守特定行业的业务规则。目前的评估结果显示，PersonaPlex-7B-v1在对话流畅度和任务达成率上均优于多数开源及闭源系统。

研究:https://research.nvidia.com/labs/adlr/personaplex/

划重点:

  • 🎙️ 全双工交互: PersonaPlex-7B-v1支持实时语音流处理，允许用户在 AI 说话时随时插话或重叠对话，实现极速响应。

  • 🧠 单模型架构: 舍弃了繁琐的插件式管道，采用单一Transformer结构同步预测文本和语音标记，从底层提升对话自然度。

  • 🎭 深度个性化: 支持高达200token 的系统提示词及特定的语音嵌入，可灵活定制 AI 的角色性格、业务知识及情感音色。