你好 👋

从会议录音的忽大忽小出发，拆解 SE-AGCNet 如何用双目标数据、非对称损失和端到端训练，让降噪保住轻声、增益控制均衡响度，并看懂真实会议实验的收益与边界。

一份技术报告的分数表，真正读得懂的人不多：OpenAudioBench 的 Overall 是怎么平均出来的、Full-Duplex-Bench 的接管率在什么窗口里数、τ-Voice 的任务成功为什么要看数据库、VoiceChat 的 Spoken 和 Rubric 为什么一升一降。这篇把 Qwen-Audio-3.1-Realtime 报告用到的三十多个测试集逐个拆开：每个是什么、一道题长什么样、分数怎么算、报告里的数字该怎么读。

语音助手能秒回不等于靠得住：它还得记住你一路加的约束、会调工具、看得懂执行反馈、知道什么时候该闭嘴。Qwen-Audio-3.1-Realtime 把这些拆成 Think、Act、Speak and Coordinate 三层：用 M²-OPD 把文本模型的智力搬到耳朵里，用自进化的可执行环境和三种粒度的 GRPO rollout 教它动手，再用一套「怎么说 · 何时说 · 该不该说」的对话策略管住嘴。这篇带公式、带伪代码、带十张图，把技术报告拆开讲一遍。

从 Gen 的 RVQ 音频编码与时间—码本两级生成，到 Realtime 的全双工、边想边说和异步工具调用，拆解 StepAudio 3 系列的架构、训练方法与能力边界。

ms-swift 训 GRPO 时有一个不起眼的参数 importance_sampling_level，三个取值 token、sequence、sequence_token 对应 GRPO、GSPO 和 GSPO-token。它们的分歧只在一处：新旧策略的比率按 token 算还是按整句算，梯度顺着比率流到谁身上。这篇用一组真实的 8 条 ASR 采样算优势，用一句四个 token 的例子把三种模式的裁剪和梯度逐个算出来，最后说清楚 sequence_token 在什么情况下才和 sequence 不同。

做错题后翻答案复盘，是最常见的学习方式；OPSD 把它搬进 LLM：同一个模型，看过参考解的当老师、没看过的当学生，老师在学生自己写的每个 token 上逐字批注。不需要外部大模型，不需要奖励函数，1024 token 的短采样追平 8 × 16k 的 GRPO。这篇拆开它的目标函数、两个稳定器和策略梯度视角，带数字算一遍裁剪到底裁掉了什么，也聊聊后来者的质疑。

统一音频模型的老大难：理解要压缩、生成要保真，一份表征两头难讨好。小红书 FireRed 团队的 FireRedAudio 给 9B LLM 配了两副解耦的连续「耳朵」——Whisper 系编码器负责听懂，确定性自编码器 RedAE 负责存声——嘴则是流匹配 DiT，直接吐连续 latent，声学内容全程不过离散 token。MMAU/MMSU 登顶、零样本 TTS 内容错误率最低、语音编辑全面反超，还能把一小时录音整理成秒级时间戳的结构化清单。

复现难、数据糙，是横在开源语音生成面前的两道坎。港中深同一个团队用两篇 SLT 2024 论文各拆一道：Amphion 把散落的模型收进一个分层工具箱，用追平官方指标的 VALL-E 复现立信；Emilia-Pipe 用六步全开源流水线把野生播客洗成 101k 小时、六种语言的数据集，后来喂出了 MaskGCT 和 Vevo。这篇把两份工作连起来读：架构怎么分层、数据怎么清洗、账本怎么算，以及这套基建两年后长成了什么样。

全双工语音模型聊天越来越顺，但都不会「办事」：工具调用是暂停—等待—恢复，而全双工的世界没有暂停键。NVIDIA 的 NemotronLabs VoiceChat 11B 是第一个支持工具调用的开源全双工模型：流式编码器加 9B Nemotron Nano v2 加帧同步 TTS，四条通道踩着 80 毫秒的节拍并行推进，第四条通道专门吐 TOOLCALL，等待 API 返回时 agent 还能说一句「稍等，我查一下」。这篇从模型架构、打断机制一路拆到 Triton 加双 vLLM 的推理容器，看全双工怎么从 demo 走向能干活的语音 agent。

TTS 界也有自己的 bitter lesson：好 tokenizer + 自回归 + 大规模预训练，不堆级联、不请老师。OpenMOSS 在同一套 token、同一份数据上正面对比 Delay Pattern 与 Local Transformer 两种 token 编排——8B 与 1.7B 各擅胜场；数百万小时的清洗流水线加四阶段课程表，让时长控制与拼音控制成了预训练白送的能力。这篇拆解整份技术报告，顺带看懂全家桶与部署生态。