Full Duplex Bench
全双工语音对话评测：测模型在用户停顿、话轮切换与被打断时能否自然地该说时说、该停就停
基本信息
30 秒看懂
分数是百分比（越高越好），衡量的不是「答得准不准」而是「对话节奏像不像真人」——插话时抢话、用户停顿时自说自话都会扣分。2026-10 公开水位（Artificial Analysis 口径）：Grok Voice 3.0 97.0%、Grok Voice 2.0 95.1%、GPT-Live-1 (Astra) 94.9%、Gemini 3.8 Live 91.9%。
采用格局：证据账本中 1 次引用；由 xAI Grok Voice 3.0 页引入，是 AA Speech-to-Speech Index 的会话动态分项
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-10-19
2026
2026-10-14
xAI / Grok·国际
模态音频·文本
xAI 发布 Grok Voice 3.0，官方定位为「世界上最智能的 speech-to-speech 模型」：在 Artificial Analysis 独立评测中登上语音综合指数第一，延迟低于一秒，成本低于其他前沿模型。已收录 7 条评测记录，集中在语音智能体能力与客户体验，亮点为 AA Speech-to-Speech Index 86.9 与 Big Bench Audio 98.5%。
语音到语音亚秒级延迟每分钟 $0.08客服场景规模化落地
查看模型变体与证据
Full Duplex Bench 97.0%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-10-19，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。