Chroma 1.0是FlashLabs推出的首款开源实时端到端语音对话模型，该模型创新采用语音理解与生成紧密耦合架构，搭配1:2文本-音频token调度策略，可达成亚秒级输出；仅需几秒参考音频，就能精准复刻说话人音色，speaker相似度较人类基线提升10.96%。
HunyuanOCR是腾讯混元团队推出的开源端到端OCR视觉语言模型，其功能覆盖文本检测与识别、复杂文档解析、开放字段信息抽取、视频字幕抽取等经典OCR任务，同时支持端到端拍照翻译与文档问答，为多场景文本处理提供一站式解决方案。
FunAudio-ASR是阿里巴巴达摩院研发的端到端语音识别大模型，聚焦企业落地场景中的核心痛点，通过创新的Context增强模块，从根源上优化了语音识别领域的“幻觉”“串语种”等行业难题。
Qwen3-Omni支持119种语言文本交互、19种语音理解语言及10种语音生成语言，轻松覆盖全球主流语种，满足跨地域业务需求。响应速度更实现突破性优化，纯模型端到端音频对话延迟低至211ms，视频对话延迟低至507ms，搭配长达30分钟的长音频理解能力，为实时交互场景提供流畅体验。
开源的Fun-Audio-Chat-8B在语音对话、情感识别等核心任务上表现突出，综合性能超越GLM4-Voice等同尺寸竞品，现已落地智能客服、情感陪伴等多元场景，开发者可通过ModelScope、HuggingFace平台免费下载使用。
