Adventists AI a publié le 8 novembre la famille de modèles vocaux bidirectionnels Sophon-Realtime v1, avec le code et les poids sous licence Apache 2.0 sur GitHub, Hugging Face, ModelScope et PyPI. Les trois versions partagent un même « cerveau » de 32B, adapté de Qwen3-VL-32B-Instruct, qui écoute en continu, décide quand parler et rédige la réponse ; elles ne diffèrent que par la façon dont cette réponse devient du son.
La version la plus rapide, Flash, produit son premier audio en 0,31 seconde et sert jusqu'à 40 utilisateurs simultanés sur un seul GPU de 80 Go. La version de bout en bout est un aperçu de recherche qui exige deux GPU de 80 Go. La voix elle-même dérive de Fun-CosyVoice3-0.5B, et la licence Apache 2.0 couvre à la fois le code et les poids : les modèles peuvent donc être utilisés commercialement.
Selon les propres tests de l'équipe, Sophon-Realtime v1 obtient 82,8 à VoiceBench et 81,8 % à Big Bench Audio — premier parmi les modèles ouverts bidirectionnels, et au niveau de GPT-4o-mini-Audio sur VoiceBench. Ces chiffres sont déclarés par le fournisseur et mesurés par l'équipe elle-même, sans vérification indépendante : considérez-les comme une raison de tester les modèles, pas comme des résultats établis.
Pour démarrer, une seule ligne : pip install sophon-realtime, puis sophon-realtime serve télécharge les poids Tag d'environ 42 Go au premier lancement et sert un WebSocket de type OpenAI Realtime sur le port 8000, si bien que les clients Realtime existants peuvent s'y connecter avec un minimum de changements.
Cette sortie compte parce que la voix bidirectionnelle — écouter et parler en même temps, avec des interruptions naturelles — vivait surtout derrière des API fermées. Une famille à poids ouverts qui tourne sur un seul GPU de 80 Go offre aux développeurs une alternative auto-hébergée pour les agents vocaux, la gestion d'appels et les assistants en temps réel, avec des poids, une recette d'entraînement et des tests tous inspectables.