一句话定义：五级对话能力框架（Five-Level Conversational Capability Framework）是给“实时语音对话系统”分级的一套标尺，它把从“能听会说”到“对话 AGI”之间的连续演进，分成五个可评测的台阶。这一提法在实时互动（RTE）领域的行业会议中被提出并讨论，具体分级命名与判定口径以官方发布为准。
为什么需要这把尺子：过去评价一个语音助手，看语音识别（ASR）准不准、语音合成（TTS）像不像人就行了；而在端到端语音大模型出现后，一句话里同时包含“听清”“听懂”“接得住”“记得住”“办得成”五件事，任何单一指标都会失真。分级的意义不在于贴标签，而在于指出每一级失分的环节在哪里。
打个比方：L1 像语音留言机，你说完它才处理；L2 像对讲机，得等你说“完毕”它才开口；L3 才像正常打电话，可以抢话、可以“嗯？”一下让对方重说；L4 像跟熟人聊天，它记得你上周说过什么，也能听出你语气不对；L5 则像一位能替你把事办完的助理。
| 层级 | 通俗说法 | 典型表现 | 关键卡点 |
|---|---|---|---|
| L1 | 能听会说 | 语音转文字再转回语音，一问一答 | 字错率、音色自然度 |
| L2 | 能听会答 | 接入大模型，语义理解明显变好 | 仍接近半双工，说完才响应 |
| L3 | 能打断 | 全双工，可随时插话、被打断后能接回 | 端到端时延、回声消除、轮次判定 |
| L4 | 懂情绪有记忆 | 识别语气、保持人格一致、跨轮记忆 | 长期记忆一致性、情绪识别 |
| L5 | 对话 AGI | 自主推进目标、调用工具、跨场景迁移 | 任务完成率、复杂指令拆解 |
和相邻概念的区别：它不属于语音识别评测集，因为后者只关心“听写对不对”；也不属于纯文本大模型排行榜，因为后者不考察“什么时候该闭嘴”。它的核心主张是：在实时语音里，交互本身就是一种能力，不应只被视为理解的附属产物。形式上它和自动驾驶的 L0–L5 有点像，但两者没有对应关系，不要混为一谈。
对从业者的意义：做产品定义时，先问自己“我到底要交付第几级”，因为 L2 到 L3 的投入是数量级的差别——时延要从秒级压到几百毫秒，还要处理打断、底噪、多人说话。选型时也别只看演示视频里聊得多顺，要专门测“打断后能否接回”“第三轮还记不记得第一轮的前提”。
对普通人的意义：以后再看到“真人级语音助手”的宣传，可以用这五级自查——能打断吗？记得住上下文吗？能替我把事办完吗？三问下来，基本就能判断它站在第几级台阶上。