PolyAI发布Dialog-RSN-1：音频原生对话模型，融合语音识别与函数调用，响应低于300毫秒

一句话看懂

PolyAI发布Dialog-RSN-1，一个直接听音频而非读转写文本的对话模型，把语音识别、函数调用和回复生成融进一个模型，响应低于300毫秒，已在真实客服电话中上线。

详细发生了什么

PolyAI推出了Dialog-RSN-1，这是一个音频原生的对话模型，它直接感知来电者的音频，而不是像传统系统那样先做语音转写（ASR）再处理文本。该模型将话轮转换（turn-taking）、语音识别、函数调用（function calling）和回复生成融合在同一个模型中，但TTS（语音合成）保持独立，以便控制输出声音。它采用基于请求的LLM调用方式，而非常驻流式处理，从而避免长时间占用GPU。

据PolyAI报告，在真实部署中，该模型响应时间低于300毫秒，在某餐厅集团的测试中，问题解决率相对提升11%，在某保险公司的部署中，延迟降低37%。目前仅支持英文，通过PolyAI平台提供，不开放权重或公开API。现有客户可立即启用，新客户可申请早期访问。PolyAI在2025年12月完成8600万美元D轮融资时，宣称拥有100多家企业客户和2000多个实时部署。

中文圈视角

Dialog-RSN-1的发布对中文企业客服领域有几点启示。首先，国内用户无法直接使用该模型，因为它不开放API，且仅支持英文。但国内已有类似产品，如阿里云的语音对话模型、腾讯云的智能客服等，它们同样在探索音频端到端处理。其次，PolyAI强调的“音频原生”理念值得关注：传统级联架构（ASR+LLM）会丢失语气、犹豫等副语言信息，而直接处理音频能保留这些线索，提升对话自然度。国内厂商在开发客服机器人时，可借鉴其将话轮转换作为模型第一输出token的设计，优化交互体验。此外，PolyAI选择不开放权重，而是通过平台提供服务，这符合企业级客户对数据安全和合规的需求，国内厂商在推广时也需考虑类似策略。

几条值得记住的细节

Dialog-RSN-1的输入侧感知音频，输出侧仍用独立TTS，保证声音可控。
模型以请求方式调用，非流式常驻，降低GPU占用。
话轮转换由模型第一输出token决定：EMPTY、ONGOING或COMPLETE。
在A100 GPU上实现亚300毫秒响应，模型规模在8B稠密到30B稀疏之间。
转录在响应或工具调用之后并行进行，不阻塞主流程。

一句话总结

Dialog-RSN-1展示了音频原生对话模型的潜力，国内企业可关注其架构思路，但实际应用还需等待中文支持和开放接口。