从识别、合成与增强到语音智能体，怎样让语音 AI 真正服务海量用户？报告将介绍腾讯云语音 AI 在语音识别、合成与口语评测等场景的解决方案，以及天籁实验室在长音频识别、Context ASR、OCR ASR、多说话人日志与分离、远场识别、跨信道声纹识别等方面的进展。同时分享语音合成、判决书相关任务、生成式语音增强与语音智能体的近期探索，讨论腾讯会议、元宝、输入法及云语音 PaaS 等业务中的真实用户体验挑战。

商世东，腾讯会议天籁实验室主任。拥有 20 余年音视频领域经验，曾任杜比中国和澳大利亚研发团队高级总监；2019 年加入腾讯，负责实时音频分析、处理与评估技术的研发和产品化。

实时语音对话中，系统不仅要知道“说了什么”，还要判断“什么时候接话”。Gvoice-Turn 将流式语音识别与词级话轮检测统一建模，通过音频—文本交错建模及双头架构，在生成转写的同时预测话语完成、未完成、附和、等待和空闲五类状态。结合 CTC-prefill 与延迟决策机制，提升初始识别稳定性并利用后续上下文修正近期判断。报告将介绍架构、词级流式评测集及实验结果，讨论准确率、话轮判断与交互延迟的权衡。

杨栋，腾讯游戏语音算法负责人、专家研究员，研究领域包括实时语音增强、语音识别、语音合成及智能语音对话系统。

语音智能体的下一步，是从自然交谈走向主动获取信息与协同完成任务。围绕腾讯混元 Hy-Realtime 系列实时语音交互基座模型，报告从口语对话、搜索增强与基础智能三个维度展示能力表现和迭代实践，并分享强化学习与工具调用能力建设经验。进一步讨论实时交互与深度推理协同的双系统架构，探索从自然对话到复杂任务执行的演进路径。

Nova，腾讯混元高级研究员，Hy-Realtime-3 核心贡献者，深度参与强化学习及 Tool Call 能力建设。WavTokenizer、WavChat 等论文第一作者，Gander 论文通讯作者，在 CCF A 类会议发表论文 30 余篇，研究聚焦强化学习与语音 Agent。

聚焦鸡尾酒会、热词检索和识别等难题，分享大模型 ASR 落地突破。报告聚焦四类困难场景：利用 CocktailASR 提升重叠语音识别能力；通过高效热词检索改善领域术语、人名等长尾词识别；融合对话历史与热词上下文增强转写准确性；构建更贴近业务的 ASR 评测体系。结合已发表论文、开源代码与落地验证，分享大模型 ASR 在真实终端场景中的可复用工程经验。

范利春，中国科学院自动化研究所博士，小米集团技术委员会语音交互方向负责人。深耕语音领域十余年，现负责小米智能座舱、手机、AIoT 等终端语音能力建设，涵盖拾音、唤醒、声纹、ASR、TTS 与全双工交互。

当模型能力不断提升，哪些新的语音数据正在成为产业发展的关键资源？报告聚焦方言与少数民族语言、编程语音以及睡眠音等三类热点。方言识别已是行业刚需，通用普通话模型对方言、少数民族语言识别能力不足，亟需真实口音语料补齐短板，支撑客服、医疗、金融等场景落地。编程语音需求快速增长，口述代码、技术指令语料短缺制约相关模型研发。睡眠音系列同步兴起，舒缓音频助推听觉健康产品创新。慧听科技可提供方言、少数民族语言、编程语音、睡眠音等多品类数据采集标注服务，输出高质量合规语料，全面赋能语音大模型训练迭代。

胡婕，慧听科技商务总监，负责语音数据相关业务的市场推广及市场策略制定与执行，推动业务持续增长。

通用语音基座如何连接识别、同传与智能交互等多种业务能力？报告首先介绍 Spark-Audio 语音基座大模型的研发过程、关键技术与迭代进展，再分享基于统一语音基座在语音识别、语音同传、智能语音交互等业务场景中的技术成果与应用进展，并展望下一阶段的研究方向。

熊世富，中国科学技术大学博士，科大讯飞 AI 研究院副院长。长期研究语音识别、同传、交互与语音基座大模型，参与讯飞语音输入法、听见会议系统、办公本转写系统、讯飞星火小星畅聊等产品研发。

只有 0.2B 参数，轻量级 TTS 能否兼顾高音质、音色克隆与实时推理？OPPO 联合复旦大学邱锡鹏团队推出并开源 CuteTTS。模型采用 AudioVAE、语言模型主干与 AudioDiTHead 扩散解码头，以连续声学潜变量降低建模复杂度；通过引导步蒸馏，将合成过程压缩至 4 步；利用轻量化 ECAPA 编码器及双路径说话人信息注入提升音色控制。报告将分享其语音质量、说话人相似度、识别错误率及跨 GPU、CPU、Apple Silicon 平台部署方面的实践。

梁敏，OPPO AI 中心高级语音算法工程师，拥有超过 10 年语音合成研发经验，覆盖文本前端、声学模型与声码器等完整技术栈，关注自然度、表现力、个性化与实际交互体验。

不依赖离散语音 Token，能否探索更自然、可控的语音生成路线？报告聚焦开源 VoxCPM 系列模型，介绍区别于主流离散 Token 路线的无分词器（Tokenizer-Free）连续自回归语音合成架构，展示模型的实际效果，讨论多语言、跨音色与高保真生成中的技术挑战，以及后续语音生成模型的发展方向。

曾国洋，面壁智能联合创始人、首席技术官。曾参与 CPM 系列模型研发，开发 BMTrain、BMInf 等训练推理工具，曾任智源研究院语言大模型加速技术创新中心副主任，入选北京市科技新星计划及福布斯“2026 亚洲 30 位 30 岁以下精英榜”。

让语音智能体听懂多人对话，需要怎样的数据与评测基础？报告介绍总计 2,100 小时的普通话多人对话语料 SmoothConv 与 DuplexConv。前者提供人工验证数据以支持可靠分析和评测，后者通过可扩展流程提供大规模自动标注训练数据；两者均包含同步参与者语音轨道及多维细粒度标注。配套 SmoothConv Benchmark 覆盖语音分离、多说话人 ASR 与话轮检测，面向复杂多人交互场景提供数据与评测支持。

王成有，西北工业大学 ASLP 实验室硕士研究生，师从谢磊教授，研究语音识别、多方言识别、语音理解大模型与全双工语音对话，参与 WenetSpeech-Wu、FastTurn 等研究。

当传统音响融入 AI Agent，聆听设备会演变成怎样的智能交互入口？从智慧听理念到 AI 智慧音响，报告回顾猫王妙播在音频技术、产品与生态方面的探索，重点介绍 AI Agent、语音交互、多模态情绪感知在主动交互、内容理解、场景服务与任务执行中的应用，并分享智能音频产品、人机共创与 Agent 生态协同的产业实践。

曾德钧，猫王妙播音响创始人兼 CEO，中国电子音响行业协会副会长，资深电声专家与音响设计师，深耕行业近 50 年。曾获国家科技进步一等奖、9 次 CES 创新奖及中国音响行业终身成就奖，参与多项音频行业标准制定。

一只鼠标，能否成为集语音、翻译、会议助手与 Agent 协作于一体的新入口？报告以 AI 语音智能体鼠标为案例，介绍近场拾音、端侧推理、会议助手、实时翻译与 Agent 协同调用等能力，展示多模态语音与轻量化模型成果在 PC 外设中的转化路径。同时探讨技术授权、校企联合科研、行业定制等合作方式，为 AI 语音终端的产业化提供实践参考。

谢雨田，安徽声云智能科技有限公司副总经理，负责 AI 项目商务与产学研合作，具有多个人工智能项目从 0 到 1 的落地经验，现重点推进端侧多模态硬件成果转化。