NVIDIA發佈 VoiceChat 11B 即時雙工語音 AI 模型

NVIDIA 推出的 NemotronLabs VoiceChat 11B，是一款擁有 110 億參數的端對端語音對語音模型。它不再串接語音辨識、大型語言模型與語音合成等多套系統，目標是簡化語音代理架構，並讓 AI 能像真人一樣邊說邊聽、自然處理插話。

截至 2026 年 8 月 10 日，NVIDIA 已開放 VoiceChat 11B 的模型權重供研究與測試。該模型可將輪替發言延遲壓低至約 450 毫秒，支援即時雙工對話及動態工具調用；部署環境至少需要配備 80GB VRAM 的 GPU，顯示其運算門檻仍偏高。