腾讯混元发布全新实时语音模型Hy Realtime,在语音理解、指令遵循、拟人化表达等基础对话能力上有较好表现,同时新增Agentic工具调用与唱歌能力。模型已在元宝语音通话、腾讯客服等产品上线,近期将上线腾讯云提供API。

实时语音难在哪
传统语音助手是回合制:你说完,它识别,再回答。实时语音要求边说边听、边想边答,延迟要低到接近真人对话。这对模型的推理速度、音频处理、打断处理都是考验。
工具调用是亮点
语音里说帮我订一张明天去上海的票,模型要理解意图、调用订票工具、确认信息、完成支付。这比聊天难得多,因为每一步都可能出错,而用户只能靠听来确认。
唱歌能力
看起来是花活,其实考验的是语音生成的细腻度:音高、节奏、情感。能唱歌,说明模型对声音的控制力到了新水平。对虚拟人、陪伴类产品,这是加分项。
落地场景
客服是最直接的应用。语音客服能处理查询、退换货、投诉,成本比人工低。元宝语音通话则是面向消费者的入口,考验的是体验和留存。
竞争
实时语音赛道很挤:OpenAI的Realtime、谷歌的Gemini Live、字节的豆包、阿里的千问。腾讯的优势是场景,微信、客服、游戏,都是天然的应用场。
冷静看
Demo好听,落地要看并发和成本。实时语音的算力消耗远高于文本,大规模商用的账单不便宜。