腾讯混元发布实时语音模型 Hy Realtime,新增工具调用与唱歌能力
要点
腾讯混元于 11 月 13 日发布实时语音模型 Hy Realtime。该模型在语音理解、指令遵循、拟人化表达等基础对话能力上有所提升,并新增 Agentic 工具调用与唱歌能力,已在元宝语音通话、腾讯客服等产品上线,腾讯云 API 将于近期开放对外服务。 针对真实语音交互里常…
腾讯混元于 11 月 13 日发布实时语音模型 Hy Realtime。该模型在语音理解、指令遵循、拟人化表达等基础对话能力上有所提升,并新增 Agentic 工具调用与唱歌能力,已在元宝语音通话、腾讯客服等产品上线,腾讯云 API 将于近期开放对外服务。
针对真实语音交互里常见的口齿含糊、话说半截、中途改口等情况,模型结合对话上下文对不完整输入做意图还原;多轮指令遵循与上下文管理能力同步增强,可在较长对话中保持对用户意图的理解。工具调用方面,模型依据对话上下文与用户意图判断是否执行联网搜索,把搜索决策、调用工具与生成回答合并到同一条链路。口语表达能力在音质、发音、韵律、情感四个维度优于上一代模型。
唱歌能力来自与腾讯音乐 TME 灵音 AI 团队的联合设计,支持按歌手、专辑、曲风、语种、发行年份与热度组合点歌,也可承接前文继续选择;用户说出“来首 2010 年到 2020 年之间的英文民谣”时,模型可匹配歌曲并演唱。官方称在表现力、自然度与音乐性方面做了针对性打磨。
官方公布的语音交互公开基准数据中,Hy Realtime 的 Wild Speech Bench 得分为 75.35,Voice Bench 92.20,Big Bench Audio 98.60,Open Audio Bench 85.84;同期对照的 Gemini-3.8-Flash、Qwen3.8-Omni-Flash、Seed2.0-Lite 与 GPT-Realtime-2.1 在不同项目上各有领先项。混元自建的基础智商测试集 Hy-Eval-Audio3.0 上,Hy Realtime 在关闭思考模式时的中文得分为 39.33,该项测试由厂商自建自测。
训练侧,模型围绕 CT、SFT、OPD、RL 四个阶段构建专项数据体系:CT 预训练数据达千万小时级规模,配套 51 套纯文本集与 50 余套语音评测集;SFT 阶段高质量文本数据向语音任务迁移的有效保留率从 21% 提升到 69%。语音生成采用低延迟方案,边生成文本边合成语音。
当前可在最新版元宝 App 的语音通话中选择“初语”音色体验,腾讯云另提供网页 Demo 供体验部分能力。官方表示下一步重点是双工交互、长期个性化记忆与前后台 Agent 交互。




冀公网安备13068102000496号