语音交互作为人机通信的关键接口，长期以来受限于高延迟、低自然度的交替式对话架构。为突破这一瓶颈，北京智源人工智能研究院联合 Spin Matrix 与新加坡南洋理工大学，正式发布RoboBrain-Audio（FLM-Audio）首个支持 “自然独白 + 双训练范式” 的原生全双工语音对话大模型。
RoboBrain-Audio 采用原生全双工 (Native Full-duplex) 架构，相比传统的 TDM（时分复用）模型在响应延迟、对话自然度上实现飞跃式提升，同时语言理解能力显著强于其他原生全双工模型，标志着具身智能体从 “能听会说” 向 “边听边说” 的交互能力跃迁。
根据公开数据，当前业界训练音频基座模型时使用的数据量已达到上千万乃至上亿小时，这些模型在音色克隆和长回复生成上更具优势，而 RoboBrain-Audio 仅使用 100 万小时 (业界数据量的 1%) 数据训练，不但回复质量满足日常交互需求，而且具有响应模式更为敏捷自然等优势，尤其适配具身场景。RoboBrain-Audio（FLM-Audio）相关论文已公开发布，模型与代码均已开源。