Interact-0
介绍
Interact-0 是 Interact 在 2026 年 11 月 17 日以官方博客介绍的全双工音频模型。文章标题就是 Interact-0,并在 Architecture 一节写明:它有 310 亿参数、其中 30 亿激活,在 900 万小时单通道音频和 50 万小时已分轨的多说话人音频上训练,由 audio encoder、thinking trunk 以及 text 与 audio 两套输出头组成。
官方把它写成可以同时处理用户与模型两路音频的 full-duplex 模型,而不是先听完再整段回复的半双工系统。音频被切成 80 毫秒一拍;训练上先做单通道纯音频续写,再加入 text planning,让模型在开口前先规划要说的话,最后才训练同时预测用户和模型的音频流。
权重初始化来自 Qwen3-Omni。官方说明该教师模型的音频编码器原本是双向注意力、一次吃完整段音频,而 Interact-0 需要流式输入,因此先把编码器改成因果注意力,并在 ASR 任务上单独训练编码器,直到词错误率降到低于 Qwen3-Omni 本身,再训练主干。
广告
解释
官方给出的结构很具体。Encoder 把音频变成 trunk 可用的特征;输出头分别预测文本 token 和音频 codebook,每个位置只用其中一套头。加入 text planning 之后,位置在文本与音频之间交替,文本 token 会略早于对应的语音出现,空位则使用类似 Moshi 的 PAD / EPAD。训练 text planning 时,他们从较高质量数据中取出 250 万小时,转写并对齐到 80 毫秒格子(文本相对音频有 100 毫秒缓冲)。
官方还写了训练目标的变化。纯音频续写阶段,主干带有文本锚点损失,以免在学说话时丢掉语言能力:对 Qwen3-Base 的 KL 散度占 90%,多样化文本语料上的交叉熵占 10%。进入 text planning 后,音频位置保持纯交叉熵,文本位置先是同样的 KL + CE 混合;但因为口语和书面语分布不同,模型很快在“说话时的下一个文本 token”上超过教师,于是他们降低并最终去掉了 KL 项。
官方用内部基准观察一致性、世界知识和逻辑推理,并展示说话人相似度和续写损失曲线。文章写明:纯音频训练阶段的提升主要在音质、声音一致性和组词成句,而不是智力;加上 text planning 后,同一套内部基准上的正确率明显上升。全文后半继续讨论全双工所需的分轨多说话人数据。本条以这篇官方技术博文为准,不把未在文中写明的检查点或产品包装写成规格。
用法
第一方说明在 interact.inc/blog/interact-0。要理解它与普通语音对话模型的差别,应看官方强调的三点:流式、80 毫秒一拍的因果编码;开口前的 text planning;以及对用户与模型两路音频的全双工预测。
公开博文是一篇模型与训练报告,并不等于已经提供了稳定的对外调用方式。是否开放权重、API 或演示,以 Interact 当时的产品与文档为准。初始化来自 Qwen3-Omni,因此也不应把它写成与 Qwen3-Omni 相同的模型。
阅读结果和音频样本时,注意官方自己做的阶段划分:纯音频续写改善的是声音和流畅度,智力相关的内部基准提升是在加入 text planning 之后出现的。