11 月 13 日,腾讯混元推出全新实时语音模型 Hy Realtime。这款模型在语音理解、指令遵循和拟人化表达上做了基础对话能力升级,同时新增两项关键能力:一是 Agentic 工具调用,能自己判断要不要联网搜索,并把搜索决策、工具调用和回答生成串起来完成;二是唱歌能力,与腾讯音乐 TME 灵音 AI 团队联合设计,支持按多维度条件点歌并直接演唱。目前 Hy Realtime 已经在元宝语音通话、腾讯客服等产品落地,近期会上腾讯云对外开放 API,普通用户可在最新版元宝 App 的语音通话里选择 "初语" 音色体验,也能通过网页 Demo 感受部分能力。整体看,这次发布的方向是让语音助手从 "能听话、会回话" 的问答工具,往能动手干活、有情绪表现力的语音智能体靠拢。
一、核心能力一览
| 能力板块 | 具体表现 |
|---|---|
| 语音理解 | 结合上下文对含糊、半截话、中途改口等不完整输入做意图还原,理解准确率提升 |
| 指令遵循 | 多轮指令跟随与上下文管理增强,长对话中能稳定把握用户意图 |
| 口语表达 | 音质、发音、韵律、情感优于上一代模型,情绪递进更自然,共情能力提升 |
| 工具调用 | 根据对话上下文和用户意图判断是否执行联网搜索,统一完成搜索决策、工具调用、回答生成 |
| 唱歌能力 | 自然语言点歌,匹配版权曲库并演唱;情绪层次、咬字、气息、旋律节奏经过专项打磨 |
| 落地渠道 | 元宝语音通话、腾讯客服已上线;腾讯云 API 近期开放;元宝 App"初语" 音色、网页 Demo 可体验 |
二、基础对话:先把 "听得懂、接得住" 做好
意图还原:应对不规整的真实口语
- 现实交流里,用户可能口齿含糊、话说到一半,或者中途改口纠正自己,这类输入本身信息不完整。
- Hy Realtime 会结合对话上下文还原用户真实意图,而不是按字面零碎信息硬接,官方称理解准确率有显著提升。
多轮指令与上下文管理
- 模型的多轮指令遵循和上下文管理能力进一步增强。
- 在较长的连续对话中,仍能稳定理解意图、保持对话流畅,避免中途 "丢话题" 或重复确认。
拟人化表达
- 在音质、发音、韵律、情感几个维度上全面优于上一代模型。
- 对话内情感变化和递进更自然,韵律语调处理更具多样性,和用户的共情表达进一步提升。
三、工具调用:语音助手长出 "手"
触发逻辑
- 模型依据对话上下文和用户意图,判断当前问题是否需要联网搜索这类外部信息。
- 判定需要工具后,由模型统一调度三个环节:决定搜索、调用工具、生成回答,中间不需要用户反复催促或手动跳转。
定位变化
- 传统语音助手大多只能基于内置知识回话,遇到时效性问题容易 "干瞪眼"。
- Agentic 工具调用让语音交互不只是 "动嘴",还能借助外部工具完成信息查询等实际任务,是往智能体方向迈的一步。
四、唱歌能力:从 "能说" 到 "会唱"
合作背景
- 唱歌能力依托与腾讯音乐 TME 灵音 AI 团队的深度 Co-Design(协同设计),点歌面向有授权的曲库内容。
六维组合点歌
- 支持按歌手、专辑、曲风、语种、发行年份、热度六个维度组合筛选。
- 可以承接前文继续选择,例如用户说 "来首 2010 年到 2020 年之间的英文民谣",模型能结合多轮上下文理解点歌意图、匹配歌曲并演唱。
演唱打磨方向
- 围绕表现力、自然度和音乐性持续优化。
- 演唱情绪更有层次,咬字和气息衔接更自然,旋律与节奏表达更协调。
- 内部专家 A/B Test 评测中,Hy Realtime 在核心体验维度呈现显著优势。
五、评测口径与当前边界
已披露的评测
- 面向中文及中英混用场景,混元构建了体验向真实产品评测体系,基础搜答类体验有明显提升。
- 内部自建基础智商测试集覆盖数学、科学、逻辑推理、知识问答、复杂指令、文本理解、多轮等维度,非思考模式下中文表现不俗。
- 公开 Benchmark 覆盖 Big Bench Audio、Voice Bench、Open Audio Bench、Wild Speech Bench 等语音交互基准,官方称综合客观表现处于领先水平。
需要注意的边界
- 部分对照数据来自内部专家盲评和自建测试集,测试卷与对照口径并未完全公开,第三方横向验证仍需等待后续公开榜单。
- 首响延迟、音色数量、模型规模等关键工程参数官方尚未披露;腾讯云实时语音接口、定价和文档也还在 "近期上线" 阶段。
- 本次发布的 Hy Realtime 未开源,与此前腾讯开源过的语音生成模型不是同一个项目。
六、下一步迭代方向
官方表示模型仍在持续迭代,下一阶段重点放在三块:
- 双工交互:让语音响应更贴近真人对话节奏,支持真正的你说我说式实时对话。
- 长期个性化记忆:沉淀用户习惯与偏好,在后续对话中动态适配。
- 前后台 Agent 交互:通话过程中后台仍能推进任务,提升复杂任务链里的自主规划与执行水平。
七、整体判断
Hy Realtime 这次的核心看点不在单一项跑分,而是把 "听明白、说得自然、能调工具、还能唱歌" 几件事合进同一个实时语音模型里:工具调用决定它能不能真正干活,唱歌和拟人化表达决定交互的情感记忆点。从落地节奏看,模型先放进元宝语音通话和腾讯客服这样的真实业务场景验证,再通过腾讯云 API 向外输出。但目前公开信息里工程细节和独立评测仍偏少,双工交互、长期记忆、前后台 Agent 这些被放在后续规划里,实际体验还需要等接口开放和更多第三方实测之后再下结论。
【相关 FAQ】
问题 1:腾讯混元这次发布的实时语音模型叫什么,Hy Realtime 有哪些核心能力?
回答 1:这款实时语音模型名为 Hy Realtime,由腾讯混元于 2026 年 11 月 13 日发布;核心能力包括语音理解与意图还原、多轮指令遵循、拟人化口语表达,新增 Agentic 工具调用和唱歌能力,可自主判断是否联网搜索并调用工具,也能按条件点歌演唱。
问题 2:Hy Realtime 的工具调用具体是怎么工作的,能调用哪些工具?
回答 2:Hy Realtime 会根据对话上下文和用户意图判断是否需要联网搜索,随后由模型统一完成搜索决策、工具调用和回答生成;目前公开披露的工具能力以联网信息查询为主,更完整的工具清单要等腾讯云 API 文档上线后确认。
问题 3:Hy Realtime 唱歌支持哪些点歌方式,歌曲版权是怎么解决的?
回答 3:唱歌能力由 Hy Realtime 与腾讯音乐 TME 灵音 AI 团队深度 Co-Design,支持按歌手、专辑、曲风、语种、发行年份、热度六个维度组合点歌,也能承接前文继续筛选;演唱内容面向有授权的曲库,而非无授权翻唱。
问题 4:普通用户现在在哪里可以体验到 Hy Realtime?
回答 1:当前可通过最新版腾讯元宝 App,在语音通话功能中选择 "初语" 音色体验 Hy Realtime,也可访问官方网页 Demo 感受部分能力;模型已在元宝语音通话、腾讯客服上线,面向开发者和企业的腾讯云 API 服务近期开放。
问题 5:Hy Realtime 接下来还会重点提升哪些能力?
回答 1:官方披露的下一步迭代方向包括双工交互(贴近真人对话节奏的实时交谈)、长期个性化记忆(沉淀并适配用户习惯偏好),以及前后台 Agent 协同(通话时后台并行推进任务),进一步提升复杂任务链的自主规划与执行水平。
【参考资料】
- [2026-11-14](腾讯发布混元实时语音模型 Hy Realtime,开口了)抖音
- [2026-11-13](腾讯混元发布 Hy Realtime 语音模型,支持智能体交互与拟人化歌唱)中关村在线
- [2026-11-13](腾讯混元发布实时语音模型 Hy Realtime:能说会唱、还能调用工具)IT 之家(今日头条转载)
【免责声明】
本文所引能力描述、评测结果、点歌维度与落地安排,均来自官方发布信息及公开媒体报道;其中部分盲评、智商测试集为腾讯内部自建口径,对照模型与测试条件尚未完全公开,不代表第三方独立验证结论。模型首响延迟、音色数量、参数规模、API 定价等未披露信息以腾讯官方后续文档为准;文中内容仅作行业资讯梳理,不构成投资建议、采购建议或对实际体验效果的承诺,读者据此操作风险自担。
本文来自作者[烬矢守核官]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/kjyw/202611/3204.html
评论列表(4条)
我是乌兰科技网的签约作者“烬矢守核官”!
希望本篇文章《腾讯混元发布实时语音模型 Hy Realtime会调用工具、能开口唱歌》能对你有所帮助!
本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:11 月 13 日,腾讯混元推出全新实时语音模型 Hy Realtime。这款模型在语音理解、指令遵循和拟人化表达上做了基础对话能力升级,同时新增两项关键能力:一是 Agentic 工具调用,能自己判断要不要联网搜索,并把搜索决策、工具调用和回答生成串起来完成;二是唱歌能力,与腾讯音乐 TME 灵音 AI 团队联合设计,支持按多维度条件点歌并直接演唱。目前 Hy Realtime 已经在元宝语音通话、腾讯客服等产品落地,近期会上腾讯云对外开放 API,普通用户可在最新版元宝 App 的语音通话里选择 "初语 " 音色体验,也能通过网页 Demo 感受部分能力。整体看,这次发布的方向是让语音助手从 "能听话、会回话 " 的问答工具,往能动手干活、有情绪表现力的语音智能体靠拢。