北京
你走进一处货架林立的仓库，对着一台半人高的小型机器人随口说：“帮我找一下A-42货位”。几乎在话音落下的同时，它便抬头、转身，清晰地报出路线。这种即时语音对话能在本地跑起来，全靠Hugging Face和Cerebras Systems刚刚放出的开源实时语音AI管道。
2026年7月1日，两家公司共同交付了一个完全开放、实时语音转语音的AI管线，直接对标OpenAI的实时API，却不带一丁点供应商锁定。这个管线的全链路往返延迟压在了500毫秒以内，和闭源商业方案打平，但所有组件都可以在自己的硬件上跑，甚至一台MacBook就能撑起来。
管道内部串联了三款顶级开源模型。语音识别由Nvidia Parakeet负责，把原始音频转成文本，延迟控制在100毫秒以下。推理和应答生成则交给Google DeepMind的Gemma 4 31B，它运行在Cerebras的晶圆级硬件上，用整片晶圆做计算引擎，反应飞快。最后，阿里巴巴的Qwen3TTS接手文本到语音的转换，输出自然且有表现力的声音。把三者粘合在一起的，是Hugging Face的Transformers库和一个轻量编排层，对外只暴露成一次“语音管道调用”。
为什么这事值得关注？不妨先看成本。OpenAI实时API对每分钟音频输入收费0.06美元，音频输出收费0.24美元，长时间使用的话账单涨得很快。而这个开源栈允许你把一切部署在自有硬件上，或者选用Cerebras的云端推理，成本仅相当于前者的一小部分。更重要的是，管线的每一部分都采用Apache 2.0或MIT许可，没有商业使用上的暗坑，也不用担心哪天服务条款一改就被锁定。
现实场景的落地速度也很说明问题。这套方案已经装进了超过9000台Reachy Mini机器人，用来实现几乎无感知延迟的语音交互。它们有的在仓库里应答拣货指令，有的立在接待大厅充当问询前台，还有些跑去陪伴老人聊天——真正听得懂、回得快的那种。
从更广的视角看，这不仅仅是一条语音管线，更像一份可替换的模版。自动语音识别、大语言模型、文本转语音这三个环节都可以换成别的。想把Parakeet换成Whisper？直接插拔就行。觉得Llama 4比Gemma更顺手？同样可以无缝切换。语音AI长期由少数几家闭源厂商把控的局面，现在迎来了一个可信的开源竞争者。而你手边的笔记本上，此刻就能让它跑起来。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
