1月20日，豆包APP更新實時語音通話功能，面向所有用戶開放。

該功能基于最新豆包實時語音大模型（Doubao Realtime Voice Model）。更新后，豆包中文場景的對話能力在語音真實感和“喜怒哀樂”的情緒表現(xiàn)上近乎達到“人機難辨”的AI交互效果，可以模仿不同聲線，并且在“邏輯思考”和“情緒感知”上有明顯提升。

記者測試發(fā)現(xiàn)，產(chǎn)品表現(xiàn)上，豆包App全新實時語音通話做到了“人機難辨”的真人級交互程度，其語音表現(xiàn)和智力的擬人性方面有了質(zhì)的提升。相比大多數(shù)語音系統(tǒng)還在語氣層面進行粗線條變化，豆包全新實時語音通話功能可以根據(jù)場景自動對節(jié)奏、兒化音、音量、氣音等細節(jié)精準(zhǔn)把控，甚至能跟你“說”悄悄話。

此外，豆包在喜怒哀樂情緒表現(xiàn)方面也頗為亮眼，還掌握了部分方言與英語對話、多角色模仿，甚至部分歌曲演唱能力。在日常使用中，它既可以是英語陪練老師、講故事高手，也可以是一位即興唱作者。

過去，傳統(tǒng)語音對話任務(wù)系統(tǒng)采用ASR+LLM+TTS的級聯(lián)模式，無法滿足真人級語音對話對理解的完整度、生成的自然度、交互的低延時等各維度的要求。而豆包全新語音能力基于創(chuàng)新的端到端框架，使用原生方法深度融合語音與文本模態(tài)進行統(tǒng)一建模。最終可實現(xiàn)從多模態(tài)輸入直接到多模態(tài)輸出的效果，賦予AI語音對話“靈魂”。

豆包相關(guān)負責(zé)人介紹，交付體驗上，豆包語音對話在確保模型具備強大理解和邏輯能力，能聯(lián)網(wǎng)回答時效性問題的同時，還具備超低延時和流暢打斷能力。

豆包全新實時語音通話功能與同類產(chǎn)品拉開明顯差距，中文對話斷崖式領(lǐng)先，同時，情商智商雙雙在線。據(jù)外部真實反饋，用戶對豆包此次上線的全新語音通話功能整體滿意度為4.36/5，對GPT-4o語音對話滿意度則為3.18/5，尤其語音語氣自然度和情緒飽滿度方面，豆包有明顯優(yōu)勢。

目前，豆包App全新實時語音通話功能已經(jīng)全量上線，用戶下載并升級豆包APP至7.2.0新春版即可體驗。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。