# NVIDIA 开源 NemotronLabs VoiceChat 11B：一个模型搞定语音对话，抢话延迟约 450 毫秒，还能边聊边调工具

> 原标题：NVIDIA 发布 NemotronLabs VoiceChat 11B：开源全双工语音模型，支持约 450 毫秒轮换与实时工具调用

- 来源：AI HOT 精选
- 发布时间：2026-08-09T23:58:34.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/49682
- 原文：https://www.marktechpost.com/2026/08/09/nvidia-releases-nemotronlabs-voicechat-11b-an-open-full-duplex-speech-to-speech-model-with-450-ms-turn-taking-and-live-tool-calling

## 摘要

NVIDIA 把 NemotronLabs VoiceChat 11B 的权重和代码都公开了。这是一个 110 亿参数、端到端的语音模型，不再走传统的“语音识别转文字、大模型思考、文字转语音”流水线，而是把听和说塞进同一个网络里流式处理。实测抢话反应延迟是 448 毫秒，基本跟人对话的节奏差不多。

## 推荐理由

NVIDIA 将 110 亿参数的端到端语音模型 NemotronLabs VoiceChat 11B 的权重和代码全部开源，听与说在同一网络内流式处理，抢话反应延迟约 448 毫秒。

## 锐评

448 毫秒的抢话延迟是这条里唯一能看的数，人跟人对话的接话间隔大概也就两三百毫秒，这个量级算是能用了。端到端把听和说塞进一个网络，省掉 ASR 加 TTS 两段，延迟和语气损失都少一截，方向没问题。

11B 的语音模型要真跑起来，显存和并发成本不低，NVIDIA 开源这个更像是给自家卡找场景。工具调用在嘈杂环境下的成功率没提，这个才是能不能上生产的分水岭。
