让大模型【告别回合制】：同时看、听、说、一直察言观色｜MiniCPM-o 4.5 开源

我做了一面「言出法随」的墙：表面上是一面墙，随时在任何区域出现任何我想要的东西

这面墙，会出现在我的新的 AGI Bar 里（正在装修，很大）

整个酒吧会变成一个大的具身空间，布满麦克风，识别我朝哪儿、说了什么，然后对应区域的墙面开始变化，机械臂开始运动

甚至，我还可以让墙面去干活，比如可以让它去我的某个账号里拉取资料，也可以让它执行各种操作。生成内容、找材料、执行动作，都行

但我遇到一个很头疼的问题

现有的语音交互方案，一旦我脑子卡壳、话说到一半停顿了，系统就会判断「他说完了」，然后开始执行

这让交互变得很别扭。我不想每次都说一个唤醒词，也不想用「over」来告诉 AI 我说完了。我需要的是一个能感知我有没有说完话、能理解我到底想干什么的 AI

正常人聊天，不会是这样的

微信里聊天，可能我说两句、你说三句，甚至我不理你你又说了两句。现在的 AI 对话太刻板了，必须一问一答，显得很傻

而且把...你让它从 1 数到 10，数到 7 的时候问它数到几了，很多模型会直接说「10」。因为它脑子里已经预排到 10 了，中间打断它根本没用

之前只有一个解决方案，就是用 OpenAI 的 Realtime API，在加上一点魔改，实践下来每个麦克风每个小时的成本在 30 美金左右...太特么贵了，而且中文并不好

前些日子跟面壁智能的朋友聊，他们整出了个新东西：全双工全模态

全双工的意思是，模型可以同时输入和输出，互不阻塞。它说话的时候还在听、还在看，你可以随时打断它，它也能根据环境变化随时调整

更关键的是，模型自己判断什么时候该说话。不需要你说唤醒词，不需要你说「over」，它能根据语义判断你说完没、你想要什么，在生活的场景中，成为真正的交互伙伴

这正好是我的墙壁需要的能力，而这个模型今天开源了：MiniCPM-o 4.5，9B 参数

目前市面上的语音交互方案，大概分两类

第一类是「对讲机模式」

大多数语音助手用的都是这个。系统先把你说的话识别成文字，处理完之后再用 TTS（文字转语音）播报出来

流程是：语音 → 文字 → 处理 → TTS 播报

很显然...这里的延迟是打不下去的，而且语音里的语气，比如不同音调的 wocao，完全无法区分含义

第二类是端到端模式

OpenAI 的 Realtime API 和面壁的 MiniCPM-o 都属于这一类。模型直接处理语音，不需要先转成文字，交互更自然

Realtime API 的对话能力很强，但它只能处理语音，看不到画面

MiniCPM-o 能同时处理语音和视频。这是它的核心差异

这里要说一下，很多模型号称能「看视频」，其实是在你说话的间隙截一张摄像头的图片，然后处理这张静态图。不是真正的实时视频流

MiniCPM-o 4.5 做的是原生全双工全模态

「边看、边听、主动说」

无论模型在沉默还是在说话，都保持着对外界的感知。你可以随时打断它，它也可以根据环境变化随时调整输出

比如在下面的这个例子中，模型会随着画面的变化，不断描述

全双工具体是怎么回事

说人话就是：模型的眼睛、耳朵、嘴巴可以同时工作，互不干扰

技术上怎么实现的？

模型把视频流、音频流、文本输出这些并行的信息，切成很小的时间片（毫秒级），轮流处理。宏观上看起来是同时进行的，实际上是快速切换

这样做的好处是，模型说话的时候不会「闭眼捂耳」，可以根据你的反应随时调整

还有一个关键能力：模型自己判断什么时候该说话

现在很多产品靠 VAD（语音活动检测）来判断用户说完没。简单说就是检测到你停顿了一段时间（比如 1 秒），就认为你说完了

VAD 的问题很明显：

• • 不知道是谁在说话，嘈杂环境下容易误判

• • 拍个桌子可能被当成说话

• • 必须硬等一段时间才能判断，延迟高

MiniCPM-o 4.5 不用 VAD。模型自己每秒判断很多次，根据语义来决定要不要回应

它可以预判你是否说完，不需要硬等；也可以被打断，根据你说的内容判断而不只是声音大小

全双工带来的另一个能力是「主动交互」

你可以给模型下一个条件指令，它会持续监测，在条件触发时主动回应

比如：「等绿灯亮了叫我」

模型会一直盯着画面，看到信号灯变化就提醒你。这对视力不好的人过马路很有用

比如：「等电梯到 24 层了叫我」模型实时跟踪楼层数字，到了就喊你

这种模式，也可能会带了更多人与AI的交互创新，比如和 AI 打个扑克

更有意思的是环境音识别

现有很多视频通话模型只能听懂人说话（Speech），听不懂环境音（Audio）。MiniCPM-o 4.5 可以识别环境音

「微波炉叮了告诉我」、「听到门铃声提醒我」、「水流声停了喊我」这些它都能处理。因为是原生全双工，不靠外挂工具，对环境音的识别比那些只能听人声的模型灵敏很多

之前介绍过一个叫 OpenClaw 的项目

它是一个本地 AI Agent，可以理解为封装了一个类似 Claude Code 的东西。通过心跳机制（Heartbeat）和定时任务（Cron），实现周期性监控。比如每 30 分钟扫描一次紧急邮件，检测到异常可以半夜发消息

OpenClaw 做的是Agent 侧的持续在线。它负责执行任务、调用工具、管理流程

MiniCPM-o 4.5 做的是模型侧的持续在线。它负责感知环境、理解语义、决定何时回应

这两个层面如果结合起来会很有意思

一个持续感知的模型，加上一个持续执行的 Agent。模型看到什么、听到什么，Agent 就去做什么

这才是我想要的「言出法随」墙壁的完整形态

前几天有个面壁的小会，聊了不少东西

有人问到具身智能。刘知远说：MiniCPM-o 4.5 这种全双工模型，非常接近机器人所需的状态。人类就是边听边说、多通道并行处理的。以前的模型做不到，一说话就不能看

姚远（面壁多模态研发负责人）补充：目前具身智能最大的问题不在底层控制，在泛化性和长程规划。全模态大模型是具身智能实现通用性的机会

李大海把具身智能分成三层：

• • 0.1 Hz：深度思考

• • 1 Hz：日常感知、规划（MiniCPM-o 4.5 做的这层）

• • 10 Hz：具体动作控制

现在行业缺的是把 1Hz 的「大脑」和 10Hz 的「小脑」结合起来

面壁还将在今年年中，发布一个叫「松果派」的开发板，类似树莓派，预装了端侧这套模型和推理框架。开发者可以直接上手做 AI 硬件原型

回到我的墙

我的「言出法随」墙壁，硬件层面已经 ready 了。毕竟我是硬件出身

模型层面的需求是：一个能持续感知、不需要唤醒词、能自己判断我有没有说完话的 AI

MiniCPM-o 4.5 给了一个方案

9B 参数，端侧可部署，中文原生支持，成本可控

交互模式也变了。从「一问一答」到「随时插话」，从「对讲机」到正常人聊天

最后...再给大家看一个我觉得很有意义的东西：在盲道上，大模型会一直帮你看着路面，如果有不对的地方，它就会和你交互

然后，现在这个模型已经开源了，欢迎体验

GitHub
https://github.com/OpenBMB/MiniCPM-o

Hugging Face
https://huggingface.co/spaces/openbmb/minicpm-omni

体验链接
https://minicpm-omni.openbmb.cn/