蚂蚁百灵开源Ming-3.0语音系列，共五款模型，覆盖语音合成、音频理解与对话、语音识别。TTS支持文字设定音色、导演模式调控情绪节奏及行内副语言标签，0.5B小模型表现突出；audio-flash/tiny可直接理解长音频并结构化输出，保留情绪与说话人信息；asr-tiny支持热词与上下文注入，提升口音、术语识别准确率。未来将探索Voice Agent长程复杂任务。

iRTE2026实时智能大会将于10月23日至24日在北京悠唐皇冠假日酒店举行，全议程已公布，限免报名中。大会汇聚多模态模型、Voice Agent、实时音视频、AI Infra、AI硬件及应用场景一线从业者，探讨实时智能在模型、工程技术、基础设施与商业落地方面的关键变化。

该项目优化了Silero VAD的推理，性能提升约2.5倍，内存占用降低。引入新playbook，简化语音代理流程，支持SIP和LLM流式输出，适用于语音通话，延迟在800ms以内。

文章探讨了智能语音技术的未来发展，强调技术的螺旋式上升过程。主要观点包括架构简化、模型统一、端到端模型的局限性、算力成本下降与云端融合、个性化AI的价值、Voice Agent的深入探索及用户体验的提升。整体上，语音技术正朝着更高效、智能和个性化的方向发展。