Center README headings and refresh Chinese translation

README.md

@@ -16,26 +16,24 @@ tags:
   - custom-code
 ---
 
-<div align="center">
+<p align="center">
   <img src="./assets/venus-logo-white.gif" alt="Realtime-Venus logo" width="180">
-  <br>
-
-# Realtime-Venus
+</p>
 
-**A full-duplex interaction system with asynchronous delegation**
+<h1 align="center" style="text-align: center;">Realtime-Venus</h1>
 
-**English** | [简体中文](./README_zh.md)
+<p align="center" style="text-align: center;"><strong>A full-duplex interaction system with asynchronous delegation</strong></p>
 
-<br>
+<p align="center" style="text-align: center;"><strong>English</strong> | <a href="./README_zh.md">简体中文</a></p>
 
+<p align="center">
 <a href="https://realtime-venus.github.io/"><img src="https://img.shields.io/badge/Project_Page-4c9aff.svg?logo=googlechrome&logoColor=white" alt="Project Page"></a>
 <a href="https://huggingface.co/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/Hugging_Face-Realtime--Venus-FFD21E.svg?logo=huggingface&logoColor=000" alt="Realtime-Venus on Hugging Face"></a>
 <a href="https://www.modelscope.cn/models/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/ModelScope-Realtime--Venus-624AFF.svg?logo=modelscope&logoColor=white" alt="Realtime-Venus on ModelScope"></a>
 <a href="https://arxiv.org/abs/2609.13814"><img src="https://img.shields.io/badge/arXiv-2609.13814-b31b1b.svg?logo=arxiv&logoColor=white" alt="arXiv"></a>
 <a href="https://github.com/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/GitHub-Realtime--Venus-181717.svg?logo=github&logoColor=white" alt="GitHub"></a>
-<a href="./LICENSE"><img src="https://img.shields.io/badge/License-Apache_2.0-0b7285.svg?logo=apache&logoColor=white" alt="Apache License 2.0"></a>
-
-</div>
+<a href="https://huggingface.co/inclusionAI/Realtime-Venus/blob/main/LICENSE"><img src="https://img.shields.io/badge/License-Apache_2.0-0b7285.svg?logo=apache&logoColor=white" alt="Apache License 2.0"></a>
+</p>
 
 <p align="center">
   <a href="https://arxiv.org/abs/2609.13814">
@@ -141,10 +139,9 @@ huggingface-cli download inclusionAI/Realtime-Venus --local-dir .
 python -m pip install -r Realtime-Venus-Omni/requirements.txt
 ```
 
-All example paths below are relative to this repository's root directory.
-`from_pretrained` does not address sub-directories of a Hub repo, so the
-examples point at the local `Realtime-Venus-Omni/` and `Realtime-Venus-Audio/`
-paths after the download.
+All example paths below are relative to the downloaded repository's root
+directory. The examples load the local `Realtime-Venus-Omni/` and
+`Realtime-Venus-Audio/` checkpoints through Hugging Face Transformers.
 
 ## 7. 🎙️ Realtime-Venus-Omni Usages
 

README_zh.md

@@ -1,76 +1,45 @@
----
-license: apache-2.0
-language:
-  - zh
-  - en
-library_name: transformers
-pipeline_tag: any-to-any
-tags:
-  - multimodal
-  - audio
-  - video
-  - speech
-  - streaming
-  - full-duplex
-  - long-video
-  - custom-code
----
-
-<div align="center">
-  <img src="./assets/venus-logo-white.gif" alt="Realtime-Venus logo" width="180">
-  <br>
-
-# Realtime-Venus
-
-**支持异步委派的全双工交互系统**
-
-[English](./README.md) | **简体中文**
-
-<br>
+<p align="center" style="text-align: center;">
+  <img src="./assets/venus-logo-white.gif" alt="Realtime-Venus 标志" width="180">
+</p>
+
+<h1 align="center" style="text-align: center;">Realtime-Venus</h1>
+
+<p align="center" style="text-align: center;"><strong>支持异步任务委派的全双工交互系统</strong></p>
 
+<p align="center" style="text-align: center;"><a href="./README.md">English</a> | <strong>简体中文</strong></p>
+
+<p align="center" style="text-align: center;">
 <a href="https://realtime-venus.github.io/"><img src="https://img.shields.io/badge/Project_Page-4c9aff.svg?logo=googlechrome&logoColor=white" alt="项目主页"></a>
 <a href="https://huggingface.co/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/Hugging_Face-Realtime--Venus-FFD21E.svg?logo=huggingface&logoColor=000" alt="Hugging Face 上的 Realtime-Venus"></a>
 <a href="https://www.modelscope.cn/models/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/ModelScope-Realtime--Venus-624AFF.svg?logo=modelscope&logoColor=white" alt="ModelScope 上的 Realtime-Venus"></a>
-<a href="https://arxiv.org/abs/2609.13814"><img src="https://img.shields.io/badge/arXiv-2609.13814-b31b1b.svg?logo=arxiv&logoColor=white" alt="arXiv"></a>
-<a href="https://github.com/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/GitHub-Realtime--Venus-181717.svg?logo=github&logoColor=white" alt="GitHub"></a>
-<a href="./LICENSE"><img src="https://img.shields.io/badge/License-Apache_2.0-0b7285.svg?logo=apache&logoColor=white" alt="Apache License 2.0"></a>
-
-</div>
+<a href="https://arxiv.org/abs/2609.13814"><img src="https://img.shields.io/badge/arXiv-2609.13814-b31b1b.svg?logo=arxiv&logoColor=white" alt="arXiv 论文"></a>
+<a href="https://github.com/inclusionAI/Realtime-Venus"><img src="https://img.shields.io/badge/GitHub-Realtime--Venus-181717.svg?logo=github&logoColor=white" alt="GitHub 代码仓库"></a>
+<a href="https://huggingface.co/inclusionAI/Realtime-Venus/blob/main/LICENSE"><img src="https://img.shields.io/badge/License-Apache_2.0-0b7285.svg?logo=apache&logoColor=white" alt="Apache License 2.0"></a>
+</p>
 
 <p align="center">
   <a href="https://arxiv.org/abs/2609.13814">
-    <img src="https://arxiv.org/html/2609.13814v1/case.png" alt="Realtime-Venus 的主动交互、异步委派与全双工交互示例" width="100%">
+    <img src="https://arxiv.org/html/2609.13814v1/case.png" alt="Realtime-Venus 的主动交互、异步任务委派与全双工交互示例" width="100%">
   </a>
 </p>
-<p align="center"><em>Realtime-Venus 支持主动式音视频交互、异步任务委派和可感知用户打断的全双工对话。</em></p>
+<p align="center"><em>Realtime-Venus 支持主动音视频交互、异步任务委派，以及能够感知打断的全双工对话。</em></p>
 
 ## 1. 🧭 概览
 
-本仓库包含 [Realtime-Venus](https://realtime-venus.github.io/) 系统的两个模型：
+本仓库提供 [Realtime-Venus](https://realtime-venus.github.io/) 系统的两个模型检查点：
 
-- **Realtime-Venus-Omni**（`Realtime-Venus-Omni/`）：9B 音视频交互模型。模型能够持续
-  观看和聆听，在共享的因果时间线上决定是否、何时响应，并生成文本与语音。模型基于
-  MiniCPM-o 4.5 改造，支持主动式交互、语义级打断处理，以及免训练的长视频 Memory。
-- **Realtime-Venus-Audio**（`Realtime-Venus-Audio/`）：基于同一流式骨干的音频模型，
-  用于不包含视觉输入的音频理解与音频对话，输出文本或语音。
+- **Realtime-Venus-Omni**（`Realtime-Venus-Omni/`）：9B 音视频交互模型。它持续观看和聆听，判断是否响应以及何时响应，并在共享的因果时间线上生成文本和语音。该模型基于 MiniCPM-o 4.5 改造，支持主动交互、语义级打断处理，以及无需额外训练的长视频记忆（Memory）。
+- **Realtime-Venus-Audio**（`Realtime-Venus-Audio/`）：专注于音频的模型检查点，采用相同的流式骨干网络，用于音频理解和音频驱动的对话，可输出文本或语音。
 
-两个目录都包含模型权重与自定义 Hugging Face Transformers 代码。异步
-Realtime-Venus-Harness 及其外部工具集成见
-[GitHub 仓库](https://github.com/inclusionAI/Realtime-Venus)。
+两个目录均包含模型权重与自定义 Hugging Face Transformers 代码。异步运行的 Realtime-Venus-Harness 及其外部工具集成位于 [GitHub 仓库](https://github.com/inclusionAI/Realtime-Venus)。
 
 ## 2. ✨ 核心亮点
 
-- **原生全双工对话：** 在说话的同时继续感知，并区分附和、打断、纠正和话题重定向。
-- **Omni-Proactive 主动交互：** 持续处理时间对齐的视频和音频，在新事件值得响应时
-  主动发言，无需等待用户提问。
-- **Delegate 委派能力：** 在共享因果时间线上发出流内 `<delegate>` 请求，并以同样方式
-  接收异步返回的后端结果，外部任务不会阻塞当前对话。（执行请求需要
-  Realtime-Venus-Harness 运行时，见
-  [GitHub 仓库](https://github.com/inclusionAI/Realtime-Venus)。）
-- **免训练长视频 Memory：** 归档视觉信息丰富的时刻，检索与问题相关且不冗余的证据，
-  并重新组装对应的音视频上下文，无需额外训练模型。
-- **文本与语音输出：** 通过随仓库提供的 Token2wav 资源和参考音色，同时生成回复文本
-  与原生语音。
+- **原生全双工对话：** 在说话时持续感知输入，能够区分简短附和、打断、纠正和话题转向。
+- **Omni-Proactive 主动交互：** 持续处理时间对齐的视频和音频，在事件需要响应时主动发言，无需等待用户提示。
+- **异步任务委派：** 在共享的因果时间线上发出流内 `<delegate>` 请求，并以相同方式接收后端异步返回的结果，使外部任务不会阻塞正在进行的对话。（执行这些请求需要 Realtime-Venus-Harness 运行时，详见 [GitHub 仓库](https://github.com/inclusionAI/Realtime-Venus)。）
+- **无需额外训练的长视频记忆：** 保存视觉信息丰富的时刻，检索与问题相关且不重复的证据，并重新组装对应的音视频上下文，无需额外训练。
+- **文本与语音输出：** 结合仓库内附带的 Token2wav 资源与参考音色，在生成回复文本的同时生成原生语音。
 
 ## 3. 📋 模型信息
 
@@ -81,19 +50,19 @@ Realtime-Venus-Harness 及其外部工具集成见
 | 视觉编码器 | SigLIP2 | 推理时不使用 |
 | 音频编码器 | Whisper-Medium | Whisper-Medium |
 | 语言模型骨干 | Qwen3-8B | Qwen3-8B |
-| 语音生成 | 离散 S3 语音 token 与流式 flow-matching 解码器 | 同一解码器，在全双工模式下启用 |
+| 语音生成 | 离散 S3 语音 token，配合流式流匹配解码器 | 使用相同解码器，在全双工模式下启用 |
 | 输入 | 视频/图像、音频和文本 | 音频和文本 |
-| 输出 | 文本及可选语音波形 | 文本和语音波形 |
+| 输出 | 文本，以及可选的语音波形 | 文本和语音波形 |
 | 上下文长度 | 40,960 tokens | 40,960 tokens |
 | 权重精度 | BF16 | BF16 |
 
 ## 4. 📊 评测
 
-下列结果均来自 [Realtime-Venus 技术报告](https://arxiv.org/abs/2609.13814)。
+以下结果均引自 [Realtime-Venus 技术报告](https://arxiv.org/abs/2609.13814)。
 
-<p align="center"><img src="assets/paper-understanding.svg" width="100%" alt="Omni 视频理解与 Audio 音频理解的雷达图对比" /><br /><sub>图 1. 论文中的视频与音频理解结果（<a href="https://arxiv.org/html/2609.13814v1#S0.F1">链接</a>）。</sub></p>
+<p align="center"><img src="assets/paper-understanding.svg" width="100%" alt="比较 Omni 视频理解能力与 Audio 音频理解能力的雷达图" /><br /><sub>图 1. <a href="https://arxiv.org/html/2609.13814v1#S0.F1">论文</a>中的视频和音频理解评测结果。</sub></p>
 
-<p align="center"><img src="assets/paper-duplex.svg" width="100%" alt="不同重叠语音场景下打断处理与续说的全双工基准对比" /><br /><sub>图 2. 论文中的全双工交互结果（<a href="https://arxiv.org/html/2609.13814v1#S0.F2">链接</a>）。</sub></p>
+<p align="center"><img src="assets/paper-duplex.svg" width="100%" alt="不同语音重叠场景下打断处理与继续发言能力的全双工基准对比" /><br /><sub>图 2. <a href="https://arxiv.org/html/2609.13814v1#S0.F2">论文</a>中的全双工交互评测结果。</sub></p>
 
 ## 5. 🗂️ 仓库结构
 
@@ -102,26 +71,25 @@ Realtime-Venus-Harness 及其外部工具集成见
 ├── Realtime-Venus-Omni/          # 音视频全双工模型
 │   ├── model-*.safetensors       # 分片模型权重
 │   ├── config.json, *.py         # 模型配置与自定义 Transformers 代码
-│   ├── realtime_venus_omni_memory.py  # Memory 公开入口
-│   ├── memory_adapter/           # Chat 与 Duplex Memory 运行时
+│   ├── realtime_venus_omni_memory.py  # 记忆功能的公开入口
+│   ├── memory_adapter/           # 对话与全双工模式的记忆运行时
 │   ├── assets/                   # 参考音色、Token2wav、演示视频
 │   └── requirements.txt
-├── Realtime-Venus-Audio/         # 音频模型
+├── Realtime-Venus-Audio/         # 专注于音频的模型
 │   ├── model-*.safetensors       # 分片模型权重
 │   ├── config.json, *.py         # 模型配置与自定义 Transformers 代码
 │   └── assets/                   # 参考音色、Token2wav、演示音频
-├── assets/                   # Brand resources (logo)
+├── assets/                   # 品牌资源（标志）
 ├── README.md
 ├── README_zh.md
 └── LICENSE
 ```
 
-以下示例会把生成的媒体写入 `output/`。重复实验时请使用新的文件名或输出目录。
+下文示例将生成的媒体文件写入 `output/`。重复运行实验时，请使用新的文件名或输出目录。
 
 ## 6. 🛠️ 安装
 
-需要 Python 3.10、CUDA 和 FFmpeg。先下载仓库（两个模型分别位于其子目录中），
-再安装 Python 依赖：
+需要 Python 3.10、CUDA 和 FFmpeg。先下载仓库（两个模型检查点分别位于各自的子目录中），再安装 Python 依赖：
 
 ```bash
 huggingface-cli download inclusionAI/Realtime-Venus --local-dir .
@@ -130,18 +98,15 @@ huggingface-cli download inclusionAI/Realtime-Venus --local-dir .
 python -m pip install -r Realtime-Venus-Omni/requirements.txt
 ```
 
-下文所有示例路径均相对于本仓库根目录。`from_pretrained` 无法直接指定 Hub
-仓库的子目录，因此示例在下载完成后指向本地的 `Realtime-Venus-Omni/` 与
-`Realtime-Venus-Audio/` 路径。
+下文所有示例路径均相对于下载后的仓库根目录。示例通过 Hugging Face Transformers 加载本地的 `Realtime-Venus-Omni/` 与 `Realtime-Venus-Audio/` 模型。
 
 ## 7. 🎙️ Realtime-Venus-Omni 使用方法
 
-这些示例的可独立运行脚本见 GitHub 上的
-[Omni cookbook](https://github.com/inclusionAI/Realtime-Venus/tree/main/frontend/Realtime-Venus-Omni)。
+这些示例的独立可运行脚本位于 GitHub 上的 [Omni cookbook](https://github.com/inclusionAI/Realtime-Venus/tree/main/frontend/Realtime-Venus-Omni)。
 
 ### 7.1 🧱 模型初始化
 
-以下示例共用下方的模型初始化代码；请在新的 Python 进程中分别运行每个示例。Chat 与 Duplex 会自动加载默认参考音色。
+下文示例共用以下模型初始化代码；请在新的 Python 进程中分别运行每个示例。普通对话和全双工对话均会自动加载默认参考音色。
 
 <details>
 <summary>点击展开 Omni 模型加载代码。</summary>
@@ -156,7 +121,7 @@ Path("output").mkdir(exist_ok=True)
 set_seed(42)
 print("Loading model ...")
 model = AutoModel.from_pretrained(
-    "./Realtime-Venus-Omni",  # 也可以使用子目录的绝对路径
+    "./Realtime-Venus-Omni",  # or an absolute path to the sub-directory
     trust_remote_code=True,
     local_files_only=True,
     attn_implementation="sdpa",
@@ -170,14 +135,9 @@ print("Model loaded.")
 
 ### 7.2 🔊 全双工 Omni 模式
 
-`model = model.as_duplex()` 将模型切换为全双工流式模式；`prepare()` 初始化会话；
-随后每秒输入由一次 `streaming_prefill()` 与 `streaming_generate()` 处理；
-`as_simplex()` 切换回离线模式。必须在导入 `minicpmo.utils` 前设置
-`MAX_NUM_FRAMES`，否则超过 64 秒的视频会被默认帧数上限截断。
+调用 `model = model.as_duplex()` 可切换为全双工流式模式：`prepare()` 初始化会话，随后每秒输入由一对 `streaming_prefill()` 和 `streaming_generate()` 调用处理；`as_simplex()` 则切换回离线模式。请在导入 `minicpmo.utils` 之前设置 `MAX_NUM_FRAMES`，否则超过 64 秒的视频会受到默认帧数上限的截断。
 
-字幕字体说明：Duplex 示例会通过 FFmpeg/libass 将回复文本烧录到输出视频中，字体由
-fontconfig 解析。若系统没有支持中日韩字符的字体，中文等非拉丁文字会显示为空白方框。
-在任意 Linux 发行版中均可无需 root 权限安装字体并刷新缓存：
+字幕字体说明：全双工示例通过 FFmpeg/libass 将回复文本烧录到输出视频中，字体由 fontconfig 查找。渲染中文等非拉丁文字需要系统安装支持中日韩字符的字体，否则相应字符会显示为空白方框。在 Linux 发行版中，可以无需 root 权限安装字体并刷新字体缓存：
 
 ```bash
 mkdir -p ~/.local/share/fonts
@@ -187,17 +147,14 @@ curl --fail --location --retry 3 \
 fc-cache -f
 ```
 
-也可以通过包管理器安装：Debian/Ubuntu 使用 `apt install -y fonts-noto-cjk`；
-RHEL/Alibaba Cloud Linux 使用
-`yum install -y cjkuni-ukai-fonts cjkuni-uming-fonts`。无需修改模型代码。
+也可以通过包管理器安装：Debian/Ubuntu 使用 `apt install -y fonts-noto-cjk`；RHEL/Alibaba Cloud Linux 使用 `yum install -y cjkuni-ukai-fonts cjkuni-uming-fonts`。无需修改代码。
 
-#### 7.2.1 全双工 Chat
+#### 7.2.1 全双工对话
 
-逐秒流式输入演示视频，并在 `question_times` 指定的秒数注入与 `questions` 一一对应的
-文本问题。模型会持续聆听，并在回答时生成语音。
+逐秒流式输入演示视频，并在 `question_times` 指定的时间注入与 `questions` 一一对应的文本问题。模型持续聆听，并在回答时生成语音。
 
 <details>
-<summary>点击展开全双工 Chat 推理代码。</summary>
+<summary>点击展开全双工对话代码。</summary>
 
 ```python
 import os
@@ -206,11 +163,11 @@ os.environ["MAX_NUM_FRAMES"] = "100000"
 
 from minicpmo.utils import get_video_frame_audio_segments, generate_duplex_video
 
-model = model.as_duplex()  # 切换为全双工流式模式
+model = model.as_duplex()  # switch to full-duplex streaming
 model.prepare()
 
 video_path = "Realtime-Venus-Omni/assets/sample_1_real.mp4"
-# 每个问题在对应的秒数注入
+# each question is injected at the corresponding second
 question_times = [60, 128]
 questions = [
     "What do you see in the video so far?",
@@ -251,13 +208,12 @@ generate_duplex_video(
 
 </details>
 
-#### 7.2.2 语音输入全双工 Chat
+#### 7.2.2 语音输入的全双工对话
 
-处理流程与上例相同，但问题已作为语音混入视频音轨（约第 3 秒，请求水烧开时提醒），
-因此不注入文本，模型必须直接听取问题。
+流程与上例相同，但问题以语音形式预先混入视频音轨（约第 3 秒，请求在水烧开时发出提醒）。因此，示例不注入文本问题，模型必须从音频中听取问题。
 
 <details>
-<summary>点击展开语音输入全双工 Chat 推理代码。</summary>
+<summary>点击展开语音输入的全双工对话代码。</summary>
 
 ```python
 import os
@@ -266,7 +222,7 @@ os.environ["MAX_NUM_FRAMES"] = "100000"
 
 from minicpmo.utils import get_video_frame_audio_segments, generate_duplex_video
 
-model = model.as_duplex()  # 切换为全双工流式模式
+model = model.as_duplex()  # switch to full-duplex streaming
 model.prepare()
 
 video_path = "Realtime-Venus-Omni/assets/speech_in.mp4"
@@ -303,12 +259,12 @@ generate_duplex_video(
 
 </details>
 
-#### 7.2.3 Memory 全双工 Chat
+#### 7.2.3 带记忆的全双工对话
 
-在进入 Duplex 模式前调用 `model.use_memory(memory_minutes=40)`，即可启用长视频 Memory。
+在进入全双工模式前调用 `model.use_memory(memory_minutes=40)`，即可启用长视频记忆。
 
 <details>
-<summary>点击展开 Memory 全双工 Chat 推理代码。</summary>
+<summary>点击展开带记忆的全双工对话代码。</summary>
 
 ```python
 import os
@@ -317,8 +273,8 @@ os.environ["MAX_NUM_FRAMES"] = "100000"
 
 from minicpmo.utils import get_video_frame_audio_segments, generate_duplex_video
 
-model.use_memory(memory_minutes=40)  # 启用长视频记忆
-model = model.as_duplex()  # 切换为全双工流式模式
+model.use_memory(memory_minutes=40)  # enable long-video memory
+model = model.as_duplex()  # switch to full-duplex streaming
 model.prepare()
 
 video_path = "Realtime-Venus-Omni/assets/sample_1_real.mp4"
@@ -359,16 +315,14 @@ generate_duplex_video(
 
 ### 7.3 💬 半双工 Omni 模式
 
-`model.chat(...)` 以完整视频为输入，逐轮回答问题；`model.init_tts()` 用于启用语音输出。
+`model.chat(...)` 以完整视频为输入，每次回答一轮问题。`model.init_tts()` 用于启用语音输出。
 
-#### 7.3.1 离线 Chat
+#### 7.3.1 离线对话
 
-采样后的视频帧、逐秒音频和问题会一起传入一次 `chat()` 调用。128 帧上限
-（`MAX_NUM_FRAMES`）用于控制视觉输入规模，`max_inp_length=32768` 用于设置输入
-token 预算。完整音频仍会保留，因此即使进行视频帧采样，超长视频仍可能超过该预算。
+将采样后的视频帧、逐秒音频和问题一起传入一次 `chat()` 调用。128 帧上限（`MAX_NUM_FRAMES`）用于控制视觉输入规模，`max_inp_length=32768` 用于设置输入 token 预算。完整音频仍会保留，因此即使对视频帧进行了采样，超长视频也可能超过该预算。
 
 <details>
-<summary>点击展开离线 Chat 推理代码。</summary>
+<summary>点击展开离线对话代码。</summary>
 
 ```python
 import os
@@ -377,7 +331,7 @@ os.environ.setdefault("MAX_NUM_FRAMES", "128")
 
 from minicpmo.utils import get_video_frame_audio_segments
 
-model.init_tts()  # 启用语音输出
+model.init_tts()  # enable speech output
 
 video_path = "Realtime-Venus-Omni/assets/sample_1_real.mp4"
 question = "What is the color of the cooler labeled PRIME near the team bench?"
@@ -412,13 +366,12 @@ print(response)
 
 </details>
 
-#### 7.3.2 Memory 离线 Chat
+#### 7.3.2 带记忆的离线对话
 
-在调用 Chat 前通过 `model.use_memory()` 启用 Memory；检索最多选择 96 个历史帧和
-4 个近期帧，并为每个选中帧保留前后各 1 秒的音频。
+在调用对话接口前，通过 `model.use_memory()` 启用记忆功能。检索最多选择 96 个历史帧和 4 个近期帧，并为每个选中帧保留前后各 1 秒的音频。
 
 <details>
-<summary>点击展开 Memory 离线 Chat 推理代码。</summary>
+<summary>点击展开带记忆的离线对话代码。</summary>
 
 ```python
 import os
@@ -427,8 +380,8 @@ os.environ["MAX_NUM_FRAMES"] = "100000"
 
 from minicpmo.utils import get_video_frame_audio_segments
 
-model.use_memory()  # 启用长视频记忆
-model.init_tts()  # 启用语音输出
+model.use_memory()  # enable long-video memory
+model.init_tts()  # enable speech output
 
 video_path = "Realtime-Venus-Omni/assets/sample_1_real.mp4"
 question = "What is the color of the cooler labeled PRIME near the team bench?"
@@ -465,17 +418,13 @@ print(response)
 
 ## 8. 🎧 Realtime-Venus-Audio 使用方法
 
-这些示例的可独立运行脚本见 GitHub 上的
-[Audio cookbook](https://github.com/inclusionAI/Realtime-Venus/tree/main/frontend/Realtime-Venus-Audio)。
+这些示例的独立可运行脚本位于 GitHub 上的 [Audio cookbook](https://github.com/inclusionAI/Realtime-Venus/tree/main/frontend/Realtime-Venus-Audio)。
 
-Audio 模型以两种方式运行纯音频推理：轮次式 `model.chat`（文本回复）与
-全双工流式 API（语音回复）。输入统一解码为 16 kHz 单声道音频，可来自任意
-音频或视频文件。
+Audio 模型支持两种纯音频推理方式：逐轮调用 `model.chat` 生成文本回复，以及使用全双工流式 API 生成语音回复。输入可来自音频或视频文件，统一解码为 16 kHz 单声道音频。
 
 ### 8.1 🧱 模型初始化
 
-下方代码以 `init_tts=True` 启用语音输出，同一个 `model` 可支撑后文两个示例；
-纯文本对话可改用 `init_tts=False`，加载更快。
+下方代码通过 `init_tts=True` 启用语音输出，使同一个 `model` 可用于后文的两个示例。若只需要文本回复，可设置 `init_tts=False` 以加快加载。
 
 <details>
 <summary>点击展开 Audio 模型加载代码。</summary>
@@ -499,22 +448,21 @@ model = AutoModel.from_pretrained(
     local_files_only=True,
     attn_implementation="sdpa",
     torch_dtype=torch.bfloat16,
-    init_vision=False,  # 纯音频用法
+    init_vision=False,  # audio-only usage
     init_audio=True,
-    init_tts=True,      # 语音输出；纯文本对话可设为 False
+    init_tts=True,      # speech output; set False for text-only chat
 ).eval().cuda()
 print("Model loaded.")
 ```
 
 </details>
 
-### 8.2 💭 离线 Chat
+### 8.2 💭 离线对话
 
-对完整音频输入进行一轮确定性回答：音频（可加一条文本指令）随一次
-`model.chat()` 调用传入。
+对完整音频输入进行一轮确定性推理：将音频（以及可选的文本指令）传入一次 `model.chat()` 调用。
 
 <details>
-<summary>点击展开离线 Chat 推理代码。</summary>
+<summary>点击展开离线对话代码。</summary>
 
 ```python
 import librosa
@@ -543,21 +491,19 @@ print(answer)
 
 </details>
 
-### 8.3 🎙️ 全双工 Chat
+### 8.3 🎙️ 全双工对话
 
-`model.as_duplex(generate_audio=True)` 切换为全双工流式模式：音频逐秒输入，
-模型持续聆听、在回答时开口说话。示例在输入末尾追加 10 秒静音，让模型在
-输入结束后说完回复，生成的语音写入 `output/audio_full_duplex.wav`。
+调用 `model.as_duplex(generate_audio=True)` 切换为全双工流式模式：逐秒输入音频，模型持续聆听，并在回答时生成语音。示例在输入末尾追加 10 秒静音，使模型能够在输入结束后说完回复，并将生成的语音写入 `output/audio_full_duplex.wav`。
 
 <details>
-<summary>点击展开全双工 Chat 推理代码。</summary>
+<summary>点击展开全双工对话代码。</summary>
 
 ```python
 import librosa
 import numpy as np
 import soundfile as sf
 
-duplex = model.as_duplex(generate_audio=True)  # 全双工，带语音输出
+duplex = model.as_duplex(generate_audio=True)  # full-duplex with speech output
 duplex.prepare(prompt_wav_path="Realtime-Venus-Audio/assets/HT_ref_audio.wav")
 
 audio, _ = librosa.load(
@@ -586,7 +532,7 @@ for chunk_index in range(total_chunks):
     if result["audio_waveform"] is not None and not result["is_listen"]:
         timed_audio.append((chunk_index, result["audio_waveform"]))
 
-# 按原始时间线拼接生成的语音（24 kHz）
+# stitch the generated speech on its original timeline (24 kHz)
 sample_rate = 24000
 total_samples = max(
     t * sample_rate + len(np.asarray(w, dtype=np.float32).squeeze())
@@ -617,5 +563,4 @@ print("Saved generated speech to output/audio_full_duplex.wav")
 
 ## 10. 📄 许可证
 
-本仓库采用 [Apache License 2.0](./LICENSE)。同时请查阅上游模型、第三方库以及使用本模型时
-所涉及数据的许可证与可接受使用条款。
+本仓库包含 [Apache License 2.0](./LICENSE)。另请查阅上游模型、第三方库，以及与本模型配合使用的数据各自的许可证和可接受使用条款。