iRTE 2026: разбор моделей реального времени, на которые ставят OpenAI и Thinking Machines

Китайское издание Jiqizhixin (机器之心) анонсировало на конференции iRTE 2026 дискуссию о моделях реального взаимодействия. По формулировке организаторов, на это направление делают ставку OpenAI и Thinking Machines Lab. За последний год мультимодальные команды перестали оптимизировать «более человечный голосовой ответ» и взялись за задачу сложнее: как ИИ участвует в互动, которая разворачивается прямо сейчас. Программы, спикеров и даты в доступном фрагменте анонса нет, но сама постановка вопроса показывает, куда сместился фокус.

Три ступени одной задачи

Организаторы описывают развитие как лестницу из трёх уровней:

• Полнодуплексные модели (full-duplex). Агент слушает и говорит одновременно. Его можно перебить, а паузу в речи он не принимает за конец реплики.
• Полная мультимодальность (omni). Голос, зрение и другие сигналы обрабатываются совместно, и решение опирается на всю картину, а не на расшифровку речи.
• Интерактивные модели. Следующий шаг: понять, что именно происходит в разговоре в эту секунду, и выбрать следующее действие.

Каждая ступень добавляет к предыдущей новый слой ответственности. Дуплекс решает вопрос времени: когда вступать, когда замолчать. Omni решает вопрос восприятия: что видит и слышит модель. Интерактивная модель отвечает за смысл ситуации: кто сейчас ведёт, чего ждёт собеседник, уместно ли вмешаться.

Почему ставка на реальное время выглядит логично

Голосовые ассистенты первого поколения работали по схеме «услышал, расшифровал, подумал, озвучил». Любая такая цепочка даёт задержку и ломается на живой речи, где люди перебивают друг друга, поправляются и говорят «ну…» вместо ответа. Качество синтезированного голоса при этом может быть высоким, но разговор всё равно ощущается как обмен записками.

OpenAI уже вывела голосовые режимы и Realtime API в продуктовую плоскость. Thinking Machines Lab, стартап бывшего технического директора OpenAI Миры Мурати, по версии организаторов, смотрит в ту же сторону. Если две команды такого уровня независимо приходят к одному вектору, это сигнал для рынка. Разговор в реальном времени становится отдельным классом задач со своими метриками и архитектурой, а не надстройкой над текстовой LLM.

Что остаётся за кадром

В анонсе нет ни бенчмарков, ни названий моделей, ни сроков. Формулировка «обе компании делают ставку» исходит от организаторов конференции, и подтверждения со стороны самих компаний в тексте нет. Термин «интерактивная модель» пока не имеет единого определения: где проходит граница между сильным omni-агентом и моделью, которая понимает ход взаимодействия, организаторы не уточняют. Предметный разговор, судя по заявленной теме, пойдёт именно об этом на самой конференции.

Что проверять командам, которые строят голосовых агентов

Если вы делаете голосового или видеоагента, у этого сдвига есть практическое следствие: метрики качества придётся пересматривать. Одной точности распознавания и естественности голоса уже недостаточно. Полезно измерять:

• задержку между концом реплики пользователя и началом ответа;
• корректность реакции на перебивание: замолчал ли агент и сохранил ли контекст;
• долю ложных вступлений, когда агент заговорил, пока человек просто думал;
• способность использовать визуальный контекст, если он доступен: экран, камеру, жесты.

Стоит также заранее решить, что вы строите: каскад из отдельных ASR, LLM и TTS или единую модель, работающую с аудио напрямую. Оба подхода сейчас сосуществуют, но разговор на iRTE 2026 показывает, куда движется верхний сегмент рынка.