Open WebUI v0.12.0：实时语音通话、3D 动态形象与双因素登录一起到位

Open WebUI 于 2026 年 10 月 10 日发布 v0.12.0。这一版把语音通话切到实时模式（默认走 OpenAI Realtime 的 gpt-realtime-2.1-mini 配 Marin 音色），支持上传 VRM 模型做带口型的 3D 动态形象，并加入强制双因素登录；同时还带来共享对话可回复、模型控件、长工具调用中的上下文压缩等一批改动。

这次发布的是什么

Open WebUI 于 2026 年 10 月 10 日发布 v0.12.0（GitHub Release 时间 2026-10-10T21:17:46Z，PyPI 上 open-webui 0.12.0 的上传时间是 2026-10-10T21:08:24，为当前最新稳定版；上一版 0.11.4 发布于 2026 年 9 月 21 日）。这一版的改动量不小，最显眼的三项是：语音通话新增 Realtime 模式、实时通话里可以用 3D 动态形象替代语音光球、以及面向全体用户的双因素登录。此外还包括共享对话支持回复、模型可挂载自定义控件、长工具调用过程中的上下文压缩、多文件技能与版本历史等一批更新。

可用性与限制

• 部署形态：Open WebUI 是自托管项目，需要自己准备运行环境；官方同时提供 PyPI 包与容器镜像，具体渠道以官方发布页为准。
• 实时通话依赖外部模型：Realtime 模式走 OpenAI Realtime 语音模型（官方说明里默认为 gpt-realtime-2.1-mini 配 Marin 音色），需要自备对应的接口地址与密钥，费用以模型提供方官方页面为准。
• 通话时长限制：官方说明通话需要一个 Allow Call 权限，并且一小时后自动结束。
• 双因素登录为可选项：由管理员在认证设置里开启（或用环境变量 ENABLE_MFA 开启），OAuth 与可信头登录可以分别配置跳过。
• 实验性标记：管理员界面里的 Tool Search 被官方标注为实验功能，行为可能变化。

主要功能

• 实时语音通话：在音频设置里把通话模式从 Standard 切到 Realtime，由实时语音模型接住闲聊，把真正的问题与任务交给对话里选中的模型（连同它的历史与工具），再把回答念出来的同时在聊天区显示完整回复。
• 3D 动态形象：实时通话中可上传带骨骼的 VRM 形象（官方给出的上限是 25 MiB）替代语音光球，可选配空闲、聆听、说话三种状态的 VRMA 动作片段（上限 10 MiB），并最多加 16 个带描述的命名手势，口型跟随朗读内容。
• 双因素登录：管理员可要求每位用户绑定验证器应用，首次登录扫码绑定并发放十个一次性恢复码；OAuth 与可信头登录可用开关放行；丢了验证器可用命令行发一次性恢复令牌。
• 共享对话可回复：共享模式从「仅克隆」切到「允许回复」后，被共享的人可以在同一段对话里继续写，消息显示发送者名字与头像，回复实时推给所有打开该对话的人。
• 模型控件：能给模型加命名控件（例如把推理强度做成低、中、高三档的菜单或滑块），每档可带自己的自定义参数，可设默认值，选择会被记住。
• 长工具调用中的上下文压缩：开启上下文压缩并使用原生函数调用时，一次回复里连续跑很多工具调用的，会在工具轮次之间触发压缩，把每次调用连同结果一起保留。
• 多文件技能与版本历史：工作区技能可以携带脚本、参考与模板等支撑文件，在编辑器里以文件树管理，每次保存留一个可翻阅、可对比、可回滚或删除的版本。

技术原理

据官方说明，实时通话的分工是一层语音外壳 + 原有模型内核：实时语音模型负责把语音转成文字、判断这句话是闲聊还是真问题，闲聊自己接住，真问题与任务则转交给该对话当前选中的模型，并带上这段对话的历史与已挂载工具；拿到结果后再由语音模型朗读，同时把完整文字回复写进聊天区。工具需要审批或向用户提问时，仍然要在聊天区里回答 —— 也就是说，语音只覆盖「说与听」，权限确认依旧留在可审计的界面上。

3D 形象部分走的是 VRM / VRMA 这套带骨骼与动作片段的模型格式，动作用在 idle、listening、speaking 三个状态上，手势由语音模型在对话语境合适时或被要求时自行触发，口型跟随朗读输出。官方还给这些能力配了对应的环境变量，方便在容器化部署里统一设置。

实际体验

想在自己实例上验证这些改动，可以按下面的顺序做（都是读发布说明就能照做的检查，不涉及主观评价）：

1. 升级到 0.12.0 后进入音频设置，确认通话模式里出现 Realtime 这一项，以及是否列出 Allow Call 权限。
2. 配好实时语音的接口地址与密钥后发起一次通话，先问一个简单闲聊问题，再问一个需要调用工具的问题，观察闲聊是否被语音模型直接接住、真问题是否被转给对话里选中的模型。
3. 在模型编辑器里上传一个 VRM 形象，确认是否出现预览、动作片段上传与手势配置这几项，以及大小上限提示。
4. 在认证设置里打开 MFA，用另一个账号登录，确认是否被要求扫码绑定并拿到十个恢复码。
5. 共享一段对话并把共享模式切到允许回复，让另一个账号在同一段对话里写一条消息，确认对方能看到且能区分发送者。

项目地址与获取方式

发布页在 https://github.com/open-webui/open-webui/releases/tag/v0.12.0 ，仓库为 open-webui/open-webui，采用开源许可。安装包请通过官方渠道获取（官方发布页给出的容器镜像与 PyPI 包），避免安装被篡改的版本。实时语音功能需要自备模型提供方的接口与密钥。

适合谁用

• 自建聊天前端、希望把语音交互接进现有模型的团队。
• 需要多人共用一套实例、对登录安全有要求的部署者（MFA 与共享权限都在这一版补上）。
• 想在对话里长期积累技能与提示词版本、需要回滚能力的重度使用者。
• 不适合：只想开箱即用、不想维护服务的个人用户 —— 自托管本身要承担升级与备份成本。
• 不适合：对外部语音接口有合规顾虑的场景 —— Realtime 模式需要把音频送到外部模型提供方。

常见问题

实时通话必须用 OpenAI 的语音模型吗？

官方说明里的默认值是 OpenAI Realtime 的 gpt-realtime-2.1-mini，并提供接口地址、密钥、模型与音色等环境变量，说明可以指向其他兼容接入点。具体可选范围以官方文档为准。

通话会不会一直挂着？

不会。官方说明通话需要一个 Allow Call 权限，且一小时后自动结束。工具需要审批或提问时，仍要在聊天区里处理。

开启 MFA 后，用 OAuth 登录的人也会被拦吗？

可以配置。官方给出 MFA_ALLOW_OAUTH_BYPASS 与 MFA_ALLOW_TRUSTED_HEADER_BYPASS 两个开关，分别放行 OAuth 与可信头登录；是否放行由管理员决定。

恢复码丢了怎么办？

登录时绑定的验证器可以后续在账号设置里更换，也可以重新生成恢复码；验证器本身丢失时，管理员可用官方提供的命令行子命令发一个一次性恢复令牌。

这次更新需要重新配置已有模型吗？

不需要重建。官方说明模型可以在编辑器里单独指定自己的实时语音音色；模型控件、版本历史这些是新增的可选项，不设置就按原行为运行。

相关工具与内容

• 分类：AI 对话、AI 音频、AI 智能体
• 同题材快讯：语音转写流式能力更新
• 同题材快讯：Claude Haiku 5.5 发布
• 工具页：ChatGPT、Claude、通义千问、ElevenLabs、火山语音合成