今天最值得注意的不是又多了一个“会说话”的模型，而是耳机主入口需要的几块零件已经能找到相当具体的实现：佩戴状态、播放控制、唤醒与长任务、真实电话兜底都有现成项目可拆，但还没有看到一个项目把它们在手机上完整串成你描述的成品。

CAPod 是这次最贴近“戴着耳机才主动插入”的零件。 这个开源 Android AirPods 伴侣能读取入耳状态，并在摘下/戴上时自动暂停或恢复播放；9 月 11 日又发布了 5.2.6-rc0。它本身不是 Agent，也没有语音插播，但证明 Android 侧可以把“蓝牙已连”进一步细分到“耳机实际在耳朵里”，而不是拿连接状态冒充人在听。个人可以直接看源码或安装 APK。 代码 · Release 09-11

Personal Jarvis 把另一半链路拼得很完整。 其仓库 9 月 12 日仍有提交，README 明确包含唤醒词、实时语音、文字聊天共用同一“大脑”、可持续数分钟的独立 Agent、跨会话知识记忆，以及可选 Twilio 真实外呼；项目方还称这些不是路线图。它很适合验证“先语音下任务，后台继续做，必要时电话找人”的控制面，但目前核心形态是 Windows/macOS/Linux 桌面或无头服务器，不是手机耳机 App，也没有入耳检测与跨音乐 App 插播。 仓库 · 09-12 提交

国内移动端语音层也有一块可直接利用的基线。 阿里云百炼 Realtime 官方文档给出 Android、iOS、HarmonyOS 的移动端 AOQ 接入，内置回声消除和降噪，实时模型支持 Function Calling；这能补手机端连续对话、工具调用和弱网链路，但官方资料并没有证明它能判断耳机是否佩戴、跨第三方播放器自动压低音乐，或在未确认后自行升级到普通电话。我的判断是，它更像“耳机助手的语音引擎”，不是完整产品。 Realtime · 语音模型

补一条交互研究基线：9 月 6 日发表的人因研究把开放式耳机视为“环境界面”，重点讨论持续佩戴下的情境感知和社交可接受性。它不提供 Agent 代码，但提醒主动插播不能只看“耳机戴着”，还要判断用户当前是否适合被打断。 论文

最值得试的组合：先把 CAPod 一类的佩戴事件和媒体暂停/恢复做成状态入口，再接一个 Personal Jarvis/自有 Agent 式后台；实时语音用移动端 Realtime，电话只作为高优先级未确认后的独立兜底。这个组合目前只是工程推断，还没有整体实测。

来源：官网/仓库已查｜国内已查｜论文已查｜X公开搜索仅摘要/收录有限。