语音抢着实时，视频也抢着实时：两条赛道同时冲刺，交汇点却还差一步
过去24小时，AI行业上演了一场少见的"实时竞赛"。
9月15日凌晨，谷歌发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话模型，官方称这是其迄今最先进的对话式AI，能够在对话不中断的情况下调用工具、处理视觉信息、执行复杂任务；同一天，国内的阶跃星辰一口气放出StepAudio 3系列五款语音模型，其中Realtime版本在Artificial Analysis对话动态榜单以98.9%的综合得分排名全球第一；还是同一天，生数科技发布实时视频模型Vidu S2并全量开放，S2-Avatar可以720P、25至42帧的规格实时生成数字角色，S2-Editing能够对正在播放的视频流实时换风格、换装、换背景。
三家不同方向的厂商，在同一个时间窗口里，把筹码压在了同一个词上：实时。
语音这边：实时已经是"基础盘"
先看语音赛道发生了什么。
Gemini 3.8 Live的参数表里，有几个细节比跑分更值得琢磨。它支持在对话中自动检测并切换97种语言；它可以在后台执行工具与API调用，同时保持对话不中断；Extended Thinking版本甚至实现了"推理与发言同步进行"------模型一边思考一边说话，遇到不确定的地方会用"让我确认一下"这类自然语言提示来过渡，还能实时讲解多步后台任务的处理进度。
这些能力的组合意味着什么？意味着语音交互正在从"一问一答的对讲机"变成"可以边想边说、边说边做的同事"。传统的大模型语音模式是流水线式的：识别、理解、生成、合成，一段一段排队。而实时对话模型把这条流水线压成了一个连续的过程，用户感知到的是"这个人一直在听、一直在想、一直在说"。
阶跃星辰的StepAudio 3系列则展示了另一个维度的竞争：系统能力的完整度。五款模型覆盖了实时交互、语音识别、语音生成、音频内容生成和音乐创作，Realtime支持原生全双工与异步工具调用，ASR的非流式词错误率只有1.7%。这种"系列化"打法说明，语音已经不是单点技术，而是一整套需要分层建设的能力栈------交互入口、理解层、生成层各有各的技术难题，缺一环就构不成闭环。
视频这边：实时刚刚破冰
相比语音，视频的实时化要难得多，也更晚发生。
生数科技的Vidu S2值得单独拆解。距离上一代S1发布仅过去69天，这次的重点不是画质或时长的常规升级，而是两个新的产品形态：S2-Editing借助帧对齐稀疏注意力，可以对正在播放的视频流实时改风格、换服装、换角色、换背景，而且运动轨迹不穿帮；S2-Avatar则面向数字角色，实时输出720P画面，支持复杂肢体动作，还能在生成过程中随时追加参考图并保留状态信息。
技术层面有一个容易被忽略的关键点：生数自研的SRF训练技术，专门用来抑制长时流式生成中的漂移与崩坏。所谓漂移，就是视频流生成时间一长，人物长相、画面风格逐渐"变形走样"。这是流式生成区别于一次性生成的核心难题------一次性生成可以整体规划每一帧，而流式生成每一帧都只能基于之前的帧继续推演，误差会累积。SRF这类技术的出现，说明厂商已经开始正面解决这个问题。
从"等它生成完再看"到"边生成边看"，视频生成的产品逻辑正在被重写。直播、虚拟主播、互动内容这些场景，第一次有了技术上可用的选项。
共同的转向：从"作品"到"流"
把两边放在一起看，会发现一个共同的范式转移。
过去两年，生成式AI的主流形态是"作品制"：输入一个提示词，等待几十秒到几分钟，拿到一个完整的成品。图片、文章、视频、音乐，莫不如此。这套逻辑下，延迟只是工程指标，用户可以用等待换质量。
而实时化浪潮改变的是这个前提：输出不再是"一段成品"，而是"一条流"。延迟从工程指标升级为产品的第一性原理------流式产品里，延迟不是快慢问题，而是可用与不可用的分界线。
这个转向对底层技术栈的要求是结构性的。为了支撑流式输出，语音模型在做全双工与流式注意力，视频模型在做帧对齐与状态保持，推理框架在做更低的首token时延。整个行业的技术投资方向，正在从"把单次生成做到更好"转向"把连续生成做到稳定"。
交汇点：声音和画面，还差一次"同时"
但仔细观察就会发现，这两条实时赛道目前是平行推进的。
语音模型解决的是"听得懂、说得自然、边想边说"，但它是纯音频的；视频模型解决的是"画面实时生成、实时编辑"，但S2-Avatar这类数字角色模型生成的角色，并不天然带着与画面精确同步的声音。两条管线各自实时，合在一起却是割裂的。
这个割裂在传统"级联式"架构下尤其明显：先单独生成声音，再单独生成视频，最后靠口型对齐技术把两者缝合。离线场景下，这种缝合已经可以做得相当好；但放到实时场景，问题会被急剧放大------声音管线和视频管线各自的时延叠加，口型对齐的误差随时间累积，长时间流式输出中"声音在说话、脸已经飘了"的错位感会越来越明显。
而现实中大量的应用场景，恰恰要求的是"开口即同步"：数字人直播里主播的每一句话都要与唇形严丝合缝，虚拟陪伴对象的一个表情要落在语气的重音上，多语种内容生产里换一种语言不能让角色"换了张脸"。声音、口型、表情这三件事，在真实的人类交流中本来就是同一个动作的三个侧面------分开生成，本质上是用工程手段去逼近一个天然一体的东西。
也正因为如此，行业内已经有少数团队在尝试绕开级联式路线，走联合生成的方向：把声音、口型和表情放进同一个模型里同时生成，让三者共享同一个时间轴，从生成的源头就保持同步。这条路线此前多见于离线短内容的生成，随着实时化浪潮推进，它能否延伸到流式场景，会是接下来很有观察价值的一个技术节点。
展望：实时化是下半年的主旋律
9月以来，国内外厂商密集发布新一代旗舰模型，从文本推理到语音交互再到视频生成，竞争的焦点悄然发生了位移：参数规模和跑分还在卷，但"实时"正在成为新的分水岭。
语音侧，实时对话能力已经从加分项变成及格线，榜单排名直接对应调用量和定价权；视频侧，实时生成刚刚破冰，漂移抑制和帧对齐这些底层问题的解法还在快速迭代。可以预见的几步棋是：语音模型会继续向视觉理解延伸（Gemini 3.8 Live已经支持近实时处理视觉输入），视频模型会继续向音频能力补齐，两条管线最终会在"实时音画一体的流式生成"上相遇。
到那时，评判一个生成模型的标准可能会变得非常朴素：它能不能像一个真人一样，看着你，开口说话，表情跟得上语气，一句话说到一半被打断也能自然接住。
距离那个标准，语音和视频各自都只差最后一段路。而这段路，恰恰是两条赛道之间那段还没被打通的距离。