近日，豆包APP宣布了一项重大更新，正式推出了面向全体用户的实时语音通话功能，这一创新举措标志着豆包在人工智能语音交互领域迈出了重要一步。
豆包此次推出的实时语音通话功能，是基于其自主研发的豆包实时语音大模型（Doubao Realtime Voice Model）实现的。这一模型在中文场景下的对话能力表现卓越，不仅在语音的真实感和情绪的细腻表达上达到了“人机难辨”的境界，还能灵活模仿多种声线，并在逻辑思考和情绪感知方面实现了显著提升。
在实际测试中，豆包APP的全新实时语音通话功能展现出了令人惊叹的真人级交互效果。其语音表现自然流畅，智力水平也极具拟人性，相较于市面上大多数仍在语气层面进行简单变化的语音系统，豆包能够根据具体场景精准把控节奏、儿化音、音量、气音等细节，甚至能够与用户进行悄声对话，营造出更加私密和真实的交流氛围。
除了出色的语音表现外，豆包在情绪表达方面也颇为亮眼。它能够准确捕捉并模仿用户的喜怒哀乐，还掌握了部分方言与英语对话的能力，能够进行多角色模仿，甚至具备一定的歌曲演唱能力。在日常使用中，豆包既可以作为英语陪练老师，为用户提供专业的语言指导，也可以化身讲故事高手，为用户带来丰富的娱乐体验，更可以即兴创作歌曲，展现其多才多艺的一面。
据了解，传统语音对话任务系统通常采用ASR+LLM+TTS的级联模式，但在真人级语音对话的理解完整度、生成自然度、交互低延时等方面存在诸多不足。而豆包则采用了创新的端到端框架，通过原生方法深度融合语音与文本模态进行统一建模，实现了从多模态输入到多模态输出的无缝转换，为AI语音对话赋予了“灵魂”。
在交付体验上，豆包语音对话在确保模型具备强大理解和逻辑能力的同时，还实现了超低延时和流畅打断的功能。这意味着用户在与豆包进行对话时，可以享受到更加流畅和自然的交互体验，无需担心因延时或打断而导致的沟通障碍。
豆包全新实时语音通话功能的推出，无疑使其在同类产品中脱颖而出。根据外部真实反馈数据显示，用户对豆包此次上线的全新语音通话功能整体满意度高达4.36/5，远高于GPT-4o语音对话的3.18/5。尤其在语音语气自然度和情绪饱满度方面，豆包展现出了明显的优势。
