语音助手正在解释一个方案，你说了一句“对，就按第二种”。它应该停下来等你说完，继续原来的介绍，还是直接围绕第二种方案往下讲？如果它已经在内部生成了五条建议，扬声器却只播完两条，此时再问“刚才说到哪了”，它又该以哪份历史为准？
这两个小问题概括了近期语音全双工研究的变化：同时听说只是运行条件，真正困难的是在不断变化的对话中选择动作，并让动作对应用户实际经历的过程。
本文整理 2026 年 7 月 28 日至 9 月 28 日首次提交的 21 篇核心论文，沿着数据、模型与运行时、评测三条线展开。先给出可检索的论文地图，再讨论各条路线解决了什么、证据到哪里为止，以及怎样组成一套实际可用的验证流程。
助手正在播报导航，车窗外有风声，副驾在聊天，你轻声说了一句“等一下”。系统应该忽略风声和副驾，及时听见你，又不能被扬声器里自己的声音打断。
这个场景把 VAD（Voice Activity Detection，语音活动检测）的三个问题同时摆在面前：噪声里有没有语音，语音是不是目标用户发出的，以及这次发声是否值得让助手停下来。 只把 VAD 当成静音切分器，很难解释为什么安静房间里的演示很好，真实全双工交互却频繁误停或漏接。
本文以截至 2026 年 9 月 28 日可核实的公开资料为界，重点整理 2025–2026 年的研究，并回顾必要的早期工作。结论先说：新的方向是让检测具备噪声鲁棒性、说话人条件和可测量的响应速度，再把活动信号交给对话策略。
本期观察窗口为 9 月 16–26 日。三个公开更新都指向同一件事：工具调用、暂停恢复和 MCP 会话不能只看“跑通”，还要让身份、参数和状态能被准确绑定。个人 Agent 栈本周优先检查审批对象、恢复路径和远端技能包的来源。
过去两周，语音大模型最值得关注的变化不是音色又自然了一点，而是语音交互系统开始形成新的架构共识：延迟敏感的前台模型持续听、说和维持对话，耗时更长的推理、检索与工具调用转到后台异步执行，再把结果安全地合并回当前会话。
这意味着语音 Agent 的竞争单位正在从单个模型升级为一套实时系统：媒体传输、连续感知、发言决策、异步任务、打断恢复、状态一致性与权限治理缺一不可。
本期观察窗口为 9 月 2–16 日，收录四条公开信号：Skills 的协议分发、追踪数据保留期限、统一评测环境，以及长任务的边际收益。个人 Agent 栈本周最值得做的是检查证据能保存多久、技能从哪里来、追加预算是否仍然有效。
按工具连接、智能体协作、客户端交互、实时语音与商务交易分层，梳理智能体协议及其截至 2026 年 9 月的进展。
上周信号的重心依然在“可观测化成本治理 + 可恢复执行环境 + Agent 复核能力”。对个人栈来说，方向是先把账务透明、运行可回放和越权风险降下来，再谈新模型与新能力。
过去一个月，语音大模型最重要的变化不是合成声音又自然了一点，而是产品边界正在分叉：一条路线用专用 ASR 强化时间戳、说话人、热词和流式稳定性；另一条路线让原生语音模型持续监听、生成、插话和调用工具。两者解决的问题不同，不应该被一个“语音模型总分”混在一起比较。
过去一周主要信号集中在“可控的工具权限扩展”“可执行的评测信号扩展”和“Agent 运行过程的可恢复性”。海外生态继续推进 MCP 与网关治理，国内头部 Agent 则在独立复核、会话续跑、跨端接管和企业用量治理上给出了更贴近本地开发环境的实现。对个人栈来说，重点不是按厂商堆工具，而是用同一套任务和安全指标比较不同 Agent。
过去一周信号集中在“可治理的 MCP 访问”“可观测到可回放的 agent 运行闭环”以及“可执行 benchmark 的可用性”上。对个人栈而言，这一周的共识是：与其再加新功能，不如先把编排、治理和评测的可控性补齐。