近日，豆包公司宣布推出其全新的实时语音大模型，号称在中文对话方面实现了 “断崖式领先”，标志着 AI 对话能力的显著提升。这一模型在豆包 App（版本号7.2.0新春版）中全量开放，为用户带来了更为丰富和真实的语音交流体验。
据介绍，豆包的实时语音大模型实现了语音理解与生成的深度融合，形成了端到端的语音对话系统。这一技术的突破让模型在语音表现力、控制力以及情绪承接方面的表现非常出色，具备低时延和随时打断对话的功能，极大提升了用户的互动体验。官方表示，该技术不仅在 “智商” 上有所提升，情商也在线，能够更好地理解和表达情感。
此次更新还包括了实时语音通话功能，该功能依托于豆包最新的大模型，可以在不同场景中灵活调整对话节奏、儿化音、音量和气音等细节。此外，新的语音功能还能模仿不同的声线，支持多种方言与英语对话，甚至具备部分歌曲的演唱能力。这一切都让人机对话的真实感提升到了一个新的层次，几乎达到了 “人机难辨” 的境地。
豆包的研发团队表示，这一全新技术基于端到端的框架，通过原生方法深度融合语音与文本的模式进行统一建模。这样的设计不仅优化了语音识别和生成的流程，也为 AI 赋予了更为丰富的 “灵魂”，使其能够更好地与人类进行交流。
豆包的实时语音大模型在中文语音对话领域的推出，将会为用户提供前所未有的交互体验，推动智能语音技术的发展。