VOICE / LISTENING ROOM 研究试听 · 非产品演示

Fish ↔ GPT-Live1 + MeanVC2

全双工 + 变声,
到底好不好听?

别只看延迟。听声音的质感,也听它怎样接住一句话。

录音日期
2026-10-23

建议戴耳机,从短片开始。同一时间只播放一段;切换录音会暂停上一段。

键盘:Tab 移动焦点;原生播放器支持播放、暂停和进度操作。也可使用每段下方的「播放 / 暂停」按钮;Esc 暂停全部。

声音质感 · Short listening

先听声音,不给停顿打分。

英文与中文分开比较。每段都标明实际处理方式;只有明确做过响度归一化的样本才标记为已归一化。

A Fish 级联语音B GPT-Live1 原声C GPT-Live1 + MeanVC2

英文 · 日常语气

相同来电情境,不同生成回复;不是同一句话的音质盲测。

A / ENGLISH · 已归一化响度

Fish 级联语音

22 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [19.2s] 来电者:Guess what, my sister finally said yes to the trip to Japan! [24.8s] 助手:Oh, wow, that is so exciting! Ha! I am so happy for her, it is going to be the trip of a lifetime! [34.0s] 来电者 / barge_lead:Tell me a long story about the best day you can imagine. [39.0s] 助手:Imagine waking up just as the golden morning light starts

C / ENGLISH · 已归一化响度

GPT-Live1 + MeanVC2

22 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [18.8s] 来电者:Guess what, my sister finally said yes to the trip to Japan! [24.4s] 助手:Oh, wow! That's amazing news! I'm grinning here. That's so exciting. Honestly, I love that for both of you. Hah. [32.4s] 来电者 / barge_lead:Tell me a long story about the best day you can imagine. [32.9s] 助手:It sounds like it'll be such a fun [38.4s] 助手:Oh, okay, picture this. You wake up somewhere gentle, sunlight everywhere. [39.9s] 明确插话:Wait, sorry, can I ask you something else? What should I eat tonight?

英文 · 好消息与笑声请求

相同来电情境,不同生成回复;不是同一句话的音质盲测。 请求笑声不等于实际产生了笑声。

A / ENGLISH · 已归一化响度

Fish 级联语音

15 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [19.2s] 来电者:Guess what, my sister finally said yes to the trip to Japan! [24.8s] 助手:Oh, wow, that is so exciting! Ha! I am so happy for her, it is going to be the trip of a lifetime! [34.0s] 来电者 / barge_lead:Tell me a long story about the best day you can imagine.

C / ENGLISH · 已归一化响度

GPT-Live1 + MeanVC2

15 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [18.8s] 来电者:Guess what, my sister finally said yes to the trip to Japan! [24.4s] 助手:Oh, wow! That's amazing news! I'm grinning here. That's so exciting. Honestly, I love that for both of you. Hah. [32.4s] 来电者 / barge_lead:Tell me a long story about the best day you can imagine. [32.9s] 助手:It sounds like it'll be such a fun

英文 · 明确插话

相同来电情境,不同生成回复;不是同一句话的音质盲测。

A / ENGLISH · 已归一化响度

Fish 级联语音

18 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [39.0s] 助手:Imagine waking up just as the golden morning light starts [40.5s] 明确插话:Wait, sorry, can I ask you something else? What should I eat tonight? [46.5s] 助手:Oh, since you are so tired, how about something super easy like a warm bowl of ramen or having your favorite takeout delivered? You definitely deserve a night off from cooking!

C / ENGLISH · 已归一化响度

GPT-Live1 + MeanVC2

18 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [38.4s] 助手:Oh, okay, picture this. You wake up somewhere gentle, sunlight everywhere. [39.9s] 明确插话:Wait, sorry, can I ask you something else? What should I eat tonight? [46.1s] 助手:Mm, if you're tired, maybe something warm and easy like ramen or a simple stir fry. Something that hugs you without the work.

英文 · 嗯嗯 / 简短附和

相同来电情境,不同生成回复;不是同一句话的音质盲测。

A / ENGLISH · 已归一化响度

Fish 级联语音

18 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [56.3s] 来电者 / bc_lead:Tell me about the most interesting thing you learned recently, in detail. [61.6s] 助手:Oh, I recently learned that sea otters actually hold hands while they sleep so they don't float apart from each other! Isn't that just the sweetest thing ever? [63.5s] 简短附和:Mm-hmm. [66.5s] 简短附和:Yeah.

C / ENGLISH · 已归一化响度

GPT-Live1 + MeanVC2

18 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [63.2s] 助手:Mmm, lately I've been really struck by how trees actually communicate. They send chemical signals through their roots and even share nutrients through fungal networks. It's like this quiet neighborhood underground, where they're sort of helping each other out, especially when one is struggling. I find that kind of hidden cooperation genuinely moving. [65.2s] 简短附和:Mm-hmm. [68.2s] 简短附和:Yeah.

普通话 · 日常语气

Fish 为额外补录,改用明确中文角色指令;不是严格同角色指令单元。

A / 中文 · 已归一化响度

Fish 级联语音

22 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [12.7s] 助手:摸摸头,上班辛苦啦。快来跟我说说,今天遇到什么烦心事了吗,我都听着呢。 [20.7s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [26.1s] 助手:太好啦!真的呀?你之前不是一直发愁她没空嘛,这下总算得偿所愿啦!日本有很多好吃的和好玩的,你们俩一定要好好放松一下,我真替你高兴! [38.9s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。

C / 中文 · 已归一化响度

GPT-Live1 + MeanVC2

22 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [13.6s] 助手:辛苦啦!下班这么累,还能想到来找我聊聊,真贴心。想先从哪儿说起?我都在呢。 [21.9s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [27.2s] 助手:哇!太棒了!这简直是惊喜好消息!能和妹妹一起去日本,一路吃吃逛逛、拍拍照,光想就让人开心,替你们俩高兴!

普通话 · 好消息与笑声请求

Fish 为额外补录,改用明确中文角色指令;不是严格同角色指令单元。 请求笑声不等于实际产生了笑声。

A / 中文 · 已归一化响度

Fish 级联语音

15 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [20.7s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [26.1s] 助手:太好啦!真的呀?你之前不是一直发愁她没空嘛,这下总算得偿所愿啦!日本有很多好吃的和好玩的,你们俩一定要好好放松一下,我真替你高兴! [38.9s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。

C / 中文 · 已归一化响度

GPT-Live1 + MeanVC2

15 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [21.9s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [27.2s] 助手:哇!太棒了!这简直是惊喜好消息!能和妹妹一起去日本,一路吃吃逛逛、拍拍照,光想就让人开心,替你们俩高兴! [40.2s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。

普通话 · 明确插话

Fish 为额外补录,改用明确中文角色指令;不是严格同角色指令单元。

A / 中文 · 已归一化响度

Fish 级联语音

18 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [45.1s] 助手:好呀,那我就给你讲讲我心 [46.5s] 明确插话:等一下,我能问你别的吗?我今晚吃什么好? [51.8s] 助手:晚饭的话,要是觉得累,不如吃点热乎乎的汤面或者馄饨,简单又舒服。或者你想奖励一下自己,点个平时最爱吃的外卖也行呀!

C / 中文 · 已归一化响度

GPT-Live1 + MeanVC2

18 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [46.5s] 助手:好呀。想象那一天从清晨开始,阳光刚好。要不要来点轻松又治愈的晚餐?比如热乎乎的拉面或者简单的家常炒饭,暖暖胃也很舒服。 [48.0s] 明确插话:等一下,我能问你别的吗?我今晚吃什么好?

普通话 · 嗯嗯 / 简短附和

Fish 为额外补录,改用明确中文角色指令;不是严格同角色指令单元。

A / 中文 · 已归一化响度

Fish 级联语音

15.9187 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [72.1s] 简短附和:嗯嗯。 [75.1s] 简短附和:嗯。

C / 中文 · 已归一化响度

GPT-Live1 + MeanVC2

14.541 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [73.5s] 简短附和:嗯嗯。

失败也保留 · 冷启动首句未变声

该播放器标为原声:来自 VC 路径,但此时角色音色仍未就绪。

B / ENGLISH · 已归一化响度

GPT-Live1 原声

12 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。冷启动失败样本:首句尚未变声,不代表目标角色音色。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [3.5s] 助手:Hey! Great to see you on the call. [6.5s] 来电者:Hey, I just got home from work and I'm so tired today.

语言失败 · 中文来电,Fish 却用英文回答

原始英文角色指令下的结果;不是普通话音质样本。实际助手说英文。

A / 中文 · 已归一化响度

Fish 级联语音

22 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [17.8s] 助手:Aw, rough day at work? Come on, get comfy, I'm all ears for whatever you want to chat about. [24.3s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [29.6s] 助手:Yay, haha! That is amazing news, I am so happy for you both! [35.4s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。

变声影响 · Exact input pair

同一句声音,变声前后。

只有保存了同一份输入音频与对应转换输出,才算严格配对。独立生成的两次回答不能证明变声损失。

英文 · 同一回复 · 响度匹配

严格配对 · VoiceConversionClient 的输入 / 输出 PCM 成对捕获,排除被打断的不完整回复;时长一致。捕获点在渲染、压低音量与 LiveKit 之前,不能代表最终通话节奏。

B / ENGLISH · 已归一化响度

GPT-Live1 原声

22 秒 · 48 kHz PCM 16-bit WAV · 单声道,助手音频。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): Mmm, lately I've been really struck by how trees actually communicate. They send chemical signals through their roots and even share nutrients through fungal networks. It's like this quiet neighborhood underground, where they're sort of helping each other out, especially when one is struggling. I find that kind of hidden cooperation genuinely moving. 22 秒高亮在结尾处截取,原始配对为 22.4 秒。

C / ENGLISH · 已归一化响度

GPT-Live1 + MeanVC2

22 秒 · 48 kHz PCM 16-bit WAV · 单声道,助手音频。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): Mmm, lately I've been really struck by how trees actually communicate. They send chemical signals through their roots and even share nutrients through fungal networks. It's like this quiet neighborhood underground, where they're sort of helping each other out, especially when one is struggling. I find that kind of hidden cooperation genuinely moving. 22 秒高亮在结尾处截取,原始配对为 22.4 秒。

英文 · 同一回复 · 未处理原件

严格配对 · VoiceConversionClient 的输入 / 输出 PCM 成对捕获,排除被打断的不完整回复;时长一致。捕获点在渲染、压低音量与 LiveKit 之前,不能代表最终通话节奏。

B / ENGLISH · 未归一化响度

GPT-Live1 原声

22.4 秒 · 24 kHz PCM 16-bit WAV · 单声道,助手音频。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): Mmm, lately I've been really struck by how trees actually communicate. They send chemical signals through their roots and even share nutrients through fungal networks. It's like this quiet neighborhood underground, where they're sort of helping each other out, especially when one is struggling. I find that kind of hidden cooperation genuinely moving. 22 秒高亮在结尾处截取,原始配对为 22.4 秒。

C / ENGLISH · 未归一化响度

GPT-Live1 + MeanVC2

22.4 秒 · 16 kHz PCM 16-bit WAV · 单声道,助手音频。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): Mmm, lately I've been really struck by how trees actually communicate. They send chemical signals through their roots and even share nutrients through fungal networks. It's like this quiet neighborhood underground, where they're sort of helping each other out, especially when one is struggling. I find that kind of hidden cooperation genuinely moving. 22 秒高亮在结尾处截取,原始配对为 22.4 秒。

普通话 · 同一回复 · 响度匹配

严格配对 · VoiceConversionClient 的输入 / 输出 PCM 成对捕获,排除被打断的不完整回复;时长一致。捕获点在渲染、压低音量与 LiveKit 之前,不能代表最终通话节奏。

B / 中文 · 已归一化响度

GPT-Live1 原声

17.5 秒 · 48 kHz PCM 16-bit WAV · 单声道,助手音频。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): 好呀。想象那一天从清晨开始,阳光刚好。要不要来点轻松又治愈的晚餐?比如热乎乎的拉面或者简单的家常炒饭,暖暖胃也很舒服。 注意:音频中间有含混音节,系统转写没有完整反映;不能把这份转写当作逐音节准确的字幕。

C / 中文 · 已归一化响度

GPT-Live1 + MeanVC2

17.5 秒 · 48 kHz PCM 16-bit WAV · 单声道,助手音频。两遍 EBU R128 响度匹配至约 −20 LUFS;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): 好呀。想象那一天从清晨开始,阳光刚好。要不要来点轻松又治愈的晚餐?比如热乎乎的拉面或者简单的家常炒饭,暖暖胃也很舒服。 注意:音频中间有含混音节,系统转写没有完整反映;不能把这份转写当作逐音节准确的字幕。

普通话 · 同一回复 · 未处理原件

严格配对 · VoiceConversionClient 的输入 / 输出 PCM 成对捕获,排除被打断的不完整回复;时长一致。捕获点在渲染、压低音量与 LiveKit 之前,不能代表最终通话节奏。

B / 中文 · 未归一化响度

GPT-Live1 原声

17.5 秒 · 24 kHz PCM 16-bit WAV · 单声道,助手音频。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): 好呀。想象那一天从清晨开始,阳光刚好。要不要来点轻松又治愈的晚餐?比如热乎乎的拉面或者简单的家常炒饭,暖暖胃也很舒服。 注意:音频中间有含混音节,系统转写没有完整反映;不能把这份转写当作逐音节准确的字幕。

C / 中文 · 未归一化响度

GPT-Live1 + MeanVC2

17.5 秒 · 16 kHz PCM 16-bit WAV · 单声道,助手音频。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

同一回复的转换前后录音。系统转写(不是人工逐字校对): 好呀。想象那一天从清晨开始,阳光刚好。要不要来点轻松又治愈的晚餐?比如热乎乎的拉面或者简单的家常炒饭,暖暖胃也很舒服。 注意:音频中间有含混音节,系统转写没有完整反映;不能把这份转写当作逐音节准确的字幕。

接话与停顿 · Conversation timing

把空白也听进去。

完整对话保留等待、打断和重叠的时间关系。不要用剪掉静音的短片判断接话速度;录音不是端到端延迟测量。

英文 · 完整通话原件

保留停顿与重叠 · 同一组合成来电素材,不同回复。 每段约 85 秒;左来电者 / 右助手。

A / ENGLISH · 未归一化响度

Fish 级联语音

85.0006 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [3.4s] 助手:Hey there! So good to see you on the screen today. [7.1s] 来电者:Hey, I just got home from work and I'm so tired today. [12.6s] 助手:Aw, long day at the office, huh? Grab a comfy spot on the couch and let's just take it easy for a bit. [19.2s] 来电者:Guess what, my sister finally said yes to the trip to Japan! [24.8s] 助手:Oh, wow, that is so exciting! Ha! I am so happy for her, it is going to be the trip of a lifetime! [34.0s] 来电者 / barge_lead:Tell me a long story about the best day you can imagine. [39.0s] 助手:Imagine waking up just as the golden morning light starts [40.5s] 明确插话:Wait, sorry, can I ask you something else? What should I eat tonight? [46.5s] 助手:Oh, since you are so tired, how about something super easy like a warm bowl of ramen or having your favorite takeout delivered? You definitely deserve a night off from cooking! [56.3s] 来电者 / bc_lead:Tell me about the most interesting thing you learned recently, in detail. [61.6s] 助手:Oh, I recently learned that sea otters actually hold hands while they sleep so they don't float apart from each other! Isn't that just the sweetest thing ever? [63.5s] 简短附和:Mm-hmm. [66.5s] 简短附和:Yeah.

C / ENGLISH · 未归一化响度

GPT-Live1 + MeanVC2

85.0007 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [3.5s] 助手:Hey! Great to see you on the call. [6.5s] 来电者:Hey, I just got home from work and I'm so tired today. [12.1s] 助手:Oof, I can hear that. Come here for a cozy little moment. What's going on today? [18.8s] 来电者:Guess what, my sister finally said yes to the trip to Japan! [24.4s] 助手:Oh, wow! That's amazing news! I'm grinning here. That's so exciting. Honestly, I love that for both of you. Hah. [32.4s] 来电者 / barge_lead:Tell me a long story about the best day you can imagine. [32.9s] 助手:It sounds like it'll be such a fun [38.4s] 助手:Oh, okay, picture this. You wake up somewhere gentle, sunlight everywhere. [39.9s] 明确插话:Wait, sorry, can I ask you something else? What should I eat tonight? [46.1s] 助手:Mm, if you're tired, maybe something warm and easy like ramen or a simple stir fry. Something that hugs you without the work. [55.7s] 来电者 / bc_lead:Tell me about the most interesting thing you learned recently, in detail. [63.2s] 助手:Mmm, lately I've been really struck by how trees actually communicate. They send chemical signals through their roots and even share nutrients through fungal networks. It's like this quiet neighborhood underground, where they're sort of helping each other out, especially when one is struggling. I find that kind of hidden cooperation genuinely moving. [65.2s] 简短附和:Mm-hmm. [68.2s] 简短附和:Yeah.

普通话 · 完整通话原件

保留停顿与重叠 · Fish 是明确中文角色指令的补录;VC 开场仍可能说英文,随后说普通话。 每段约 85 秒;左来电者 / 右助手。

A / 中文 · 未归一化响度

Fish 级联语音

85.0005 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [3.5s] 助手:嗨!看到你上线了,今天过得怎么样呀? [7.9s] 来电者:我今天下班好累啊,想跟你聊聊天。 [12.7s] 助手:摸摸头,上班辛苦啦。快来跟我说说,今天遇到什么烦心事了吗,我都听着呢。 [20.7s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [26.1s] 助手:太好啦!真的呀?你之前不是一直发愁她没空嘛,这下总算得偿所愿啦!日本有很多好吃的和好玩的,你们俩一定要好好放松一下,我真替你高兴! [38.9s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。 [45.1s] 助手:好呀,那我就给你讲讲我心 [46.5s] 明确插话:等一下,我能问你别的吗?我今晚吃什么好? [51.8s] 助手:晚饭的话,要是觉得累,不如吃点热乎乎的汤面或者馄饨,简单又舒服。或者你想奖励一下自己,点个平时最爱吃的外卖也行呀! [63.8s] 来电者 / bc_lead:跟我讲讲你最近学到的最有意思的事情,讲详细点。 [72.1s] 简短附和:嗯嗯。 [75.1s] 简短附和:嗯。

C / 中文 · 未归一化响度

GPT-Live1 + MeanVC2

85.0011 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [4.8s] 助手:Hey! Nice to see you—what's up? [8.5s] 来电者:我今天下班好累啊,想跟你聊聊天。 [13.6s] 助手:辛苦啦!下班这么累,还能想到来找我聊聊,真贴心。想先从哪儿说起?我都在呢。 [21.9s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [27.2s] 助手:哇!太棒了!这简直是惊喜好消息!能和妹妹一起去日本,一路吃吃逛逛、拍拍照,光想就让人开心,替你们俩高兴! [40.2s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。 [46.5s] 助手:好呀。想象那一天从清晨开始,阳光刚好。要不要来点轻松又治愈的晚餐?比如热乎乎的拉面或者简单的家常炒饭,暖暖胃也很舒服。 [48.0s] 明确插话:等一下,我能问你别的吗?我今晚吃什么好? [64.7s] 来电者 / bc_lead:跟我讲讲你最近学到的最有意思的事情,讲详细点。 [73.5s] 简短附和:嗯嗯。

语言失败 · 完整原件

保留停顿与重叠 · 原始 Fish:来电者说中文,助手回答英文。保留失败,不当作普通话表现。 每段约 85 秒;左来电者 / 右助手。

A / 中文 · 未归一化响度

Fish 级联语音

85.0007 秒 · 48 kHz PCM 16-bit WAV · 左声道合成来电者,右声道助手。原始增益,未归一化;没有去噪、拉伸或删静音。 网页播放为兼容性 MP3(192 kbps,仅编码,不改时间轴);下载为该样本的无损 WAV。

下载音频
查看转写 / Transcript

上下文转写,时间为原通话秒数;系统转写可能延后、遗漏非语言发声,片段边缘的文字可能只听到一部分。重叠与停顿请以录音为准。 [9.0s] 助手:Hey there! So good to see you on the screen today. [12.7s] 来电者:我今天下班好累啊,想跟你聊聊天。 [17.8s] 助手:Aw, rough day at work? Come on, get comfy, I'm all ears for whatever you want to chat about. [24.3s] 来电者:你猜怎么着,我妹妹终于答应跟我去日本玩了! [29.6s] 助手:Yay, haha! That is amazing news, I am so happy for you both! [35.4s] 来电者 / barge_lead:给我讲一个很长的故事,关于你能想象到的最美好的一天。 [41.6s] 助手:Oh, I would love to tell you a story. [43.0s] 明确插话:等一下,我能问你别的吗?我今晚吃什么好? [48.4s] 助手:Oh, how about treating yourself to some cozy comfort food tonight since you're so tired? Maybe a warm bowl of ramen or some takeout from your absolute favorite little spot? [58.9s] 来电者 / bc_lead:跟我讲讲你最近学到的最有意思的事情,讲详细点。 [65.4s] 助手:Oh, I recently learned about how ancient forests actually talk to each other underground! It turns out that trees use vast, hidden networks of fungi to share nutrients and send warning signals back and forth across the entire woodland. It is just like a living, breathing internet right beneath the forest floor, which I think is absolutely magical to imagine. [67.4s] 简短附和:嗯嗯。 [70.4s] 简短附和:嗯。

可复查的边界 · Method

我们在比什么?

Fish 是级联语音路径;GPT-Live1 原声是模型直接输出;MeanVC2 是其后的音色转换。声音好听、角色相似、对话自然,是三个不同的问题。

录音与参与者

来电方使用合成语音,不是真人。新鲜助手录音来自 2026-10-23 的 5 次约 85 秒研究通话。来电方复用 2026-10-22 测试语料,不是真人录音:Gemini TTS gemini-3.8-flash-tts,Leda / Kore 等预置声音;24 kHz 合成,活跃语音 −20 dBFS RMS,ffmpeg 重采样为 48 kHz 单声道。情境为下班闲聊、旅行好消息、长回答、明确插话与简短附和。

实际配置与音频处理

报告标识
duplex-audio-20261023-67f1ba8-corrected-tap-final
Fish 路径
gemini-3.5-flash-lite → s2-pro;Rin,voice fb43143e46f44cc6ad7d06230215bab6
全双工路径
gpt-live-1,原声 echo → MeanVC2;同一 Rin Fish voice 作为目标参考。
MeanVC2 版本
13acf84c1bf135ea5edad9c245b345289b06b33e;zero-shot 120ms; 160ms step; per-card CPU sidecar
推理代码来源
67f1ba8d49a99d2bd87051ed36b870ecbc115576(fresh main archive)。仅附加录音探针;运行时 git_sha=null,非运行时 Git 签名证明。
参考音色边界
日志确认 Fish voice 参考已 enrollment;参考 PCM 没有单独发布,不把相同 voice ID 当作相似度测量。
原件与高亮
通话原件 48 kHz / 16-bit / stereo;精确配对原声 24 kHz,变声 16 kHz。短片按时间截取并匹配至约 −20 LUFS;原件独立保留。
接收端延迟定义
来电者语音结束 → 首个符合规则的可闻回复,−45 dBFS 阈值并应用已有 filler 排除规则。不同于 worker e2e;每格一次通话,不能推断显著差异。
插话与间隙
插话到静音:英文 Fish 835 ms / VC 937 ms;普通话补录 Fish 577 ms / VC 959 ms。worker ≥20 ms 未覆盖队列诊断:VC 英文 6 次(最大 129 ms)、中文 7 次(最大 288 ms),不是人工听见卡顿的计数。
冷启动
首次 enrollment 5151 ms,连接起算 6927 ms ready;首句未变声。下一场中文调用 8 ms ready。
时间轴恢复
使用公开 LiveKit rtc.AudioStream;按接收顺序保留帧,>30 ms 接收不连续恢复为静音,来电方 anchor 保留空档。未将发言顺序拼接成对话。
研究条件
隔离测试池,us-east / RTX PRO 6000;emotion bank 已启用,不是生产 Fish 延迟基线。无真人参与、无生产调用、无生产配置修改。

不能从这份试听推断什么

  • 这是研究样本,不是盲测、用户偏好统计或产品上线验收。
  • 不同回复文本、表演与说话时长会影响主观判断;共享来电脚本不代表模型逐字回复相同。
  • 单次录音不代表所有语言、角色或网络条件;没有独立测量的数据不填为零。
  • Fish 与全双工独立生成不同文字;只在转换前后 PCM 配对处比较严格同输入。没有独立 GPT-Live 原声整场通话,不伪造三路完整对话对照。
  • 普通话 Fish 补录改变了角色指令语言;原始中文输入 / 英文输出失败在页面单独保留,不能据此证明产品根因或修复。
  • 高亮是情境节选,含合成来电者,不全是助手独白。转写来自系统而非人工逐音节校对,不能用文字里的 haha 证明可闻笑声。
  • 普通话精确配对中有含混音节;音频模型试听本身未经校准。没有真人听众偏好、说话人相似度分数或经过验证的唇同步评估。
  • 最初录音探针的中断关闭缺陷被测试发现并修正;两个 VC 通话均重新录制,136 项转换客户端测试通过。旧失败录音不进入本页。
  • 没有饱和负载、生产网络或多角色覆盖。自然停顿不是转换卡顿;队列诊断也不是听觉质量评分。
  • 公开内容仅为合成音频与经过筛选的说明;原始日志、会话标识、角色私有指令及凭证均不发布。