腾讯混元的实时语音模型来了，而且不只会说话，还会唱歌。11月13日，腾讯混元发布Hy Realtime，具备语音理解、指令遵循、拟人化表达，并新增Agentic工具调用与唱歌能力。这是一次把语音对话当作完整产品来做的发布，落点不在参数，而在使用。

先看它能做什么。语音理解让模型听懂人话里的意思，不只是把声音转成文字；指令遵循意味着它能按要求办事，而不是只陪聊；拟人化表达让它的语气、停顿更接近真人对话。新增的Agentic工具调用是关键的一步：模型在对话中可以直接调用工具完成任务，说话和办事连在了一起。唱歌能力看起来是添头，实际上是语音合成自然度的试金石，音准、气息、情感都得到位才唱得像样。

更值得注意的是它已经上了产品。据金十数据报道，Hy Realtime已在元宝语音通话、腾讯客服等产品上线，近期将上线腾讯云对外提供API服务。也就是说，它不是只存在于发布会上的模型，而是已经在真实的对话场景里跑起来了。客服场景对语音模型的要求很实在：听得准、答得对、别答非所问，能在这些场景里站住，比榜单分数更有说服力。

实时语音是各家大模型厂商都在抢的位置。从文字对话走向语音对话，交互的门槛更低，能覆盖的人群也更广：开车、做家务、不方便打字的时候，语音是更自然的入口。混元同一时期还在推进Hy4，语言模型与语音模型两条线并行，拼的是谁先把“能说会做”做成稳定的产品体验。语音模型比拼的下一步，是真实对话里的稳定性和延迟，这些只能在产品里验证。Hy Realtime已经进了考场，接下来看的是成绩。

语音交互的门槛降低，意味着AI能走进更多场景。文字对话要求用户会打字、愿意打字，语音对话则不需要：老人、小孩、不方便用手的人，都能直接开口说话。对客服来说，语音是用户最习惯的沟通方式，电话打进来，模型直接应答，简单问题当场解决，复杂问题再转人工，效率和体验都能提升。对元宝这样的产品来说，语音通话是一个自然的延伸：用户在路上、在车里，随时能和AI聊起来，不用停下来打字。

当然，实时语音的难点也在细节里。延迟要低到让人感觉不到停顿，声音要自然到不像机器，吵闹环境下要听得清，多人说话时要分得清。这些指标在发布会上一句话带过，在产品里却要一行行代码去抠。Hy Realtime已经上线了元宝语音通话和腾讯客服，真实用户的反馈会比任何评测都直接：好不好用，用户一开口就知道。腾讯云API上线之后，更多的企业也能把这项能力接进自己的产品，实时语音的竞争，才刚刚进入产品比拼的阶段。

元宝语音通话这个落点也值得多看一眼。元宝是腾讯的AI助手产品，语音通话是它与用户最直接的交互方式之一。用户在通勤、运动、做家务的时候，打开元宝说句话，就能查信息、做安排、聊想法，不用停下来打字。Hy Realtime接进来之后，这些对话可以更自然、更连贯，模型还能在对话里直接调用工具办事。对腾讯来说，语音模型不只是一个技术发布，更是元宝产品体验的一部分：助手好不好用，用户一开口就有数。

来源：新浪财经、金十数据

相关阅读：《腾讯推出元宝搜索，广告与答案明确区分》

相关阅读：《Qwen4-Max预览版上线，1M上下文主打复杂任务》