在今日的百度AI DAY盛會(huì)上，百度公司震撼發(fā)布了其首個(gè)基于創(chuàng)新互相關(guān)注意力（Cross-Attention）機(jī)制的端到端語音語言大模型。這一突破性技術(shù)不僅在電話語音問答場(chǎng)景中實(shí)現(xiàn)了超低時(shí)延與超低成本，還使得調(diào)用成本較行業(yè)平均水平顯著降低了50%至90%。
與此同時(shí)，百度旗下的文小言品牌也迎來了煥新時(shí)刻，率先接入了這一前沿模型。文小言不僅迎來了多模型融合調(diào)度、圖片問答等功能上的全面升級(jí)，更在語聊效果上實(shí)現(xiàn)了擬真度的飛躍。此次升級(jí)后，文小言支持重慶、廣西、河南、廣東、山東等多地特色方言，進(jìn)一步拓寬了使用場(chǎng)景。
據(jù)百度介紹，該語音大模型在訓(xùn)練和使用成本上極具優(yōu)勢(shì)，推理響應(yīng)速度極快，將用戶等待時(shí)長(zhǎng)從行業(yè)常見的3-5秒縮短至約1秒，極大地提升了語音交互的流暢性。這一技術(shù)突破，無疑將為用戶帶來更加高效、便捷的語音交互體驗(yàn)。
更新后的文小言還支持“多模型融合調(diào)度”功能，整合了百度自研的文心X1、文心4.5等模型，并接入了DeepSeek-R1等第三方優(yōu)質(zhì)模型。用戶可以根據(jù)需求選擇“自動(dòng)模式”，一鍵調(diào)用最優(yōu)模型組合，或者選擇特定模型完成特定任務(wù)，從而進(jìn)一步提升響應(yīng)速度與任務(wù)處理能力。
文小言的圖片問答功能也得到了顯著加強(qiáng)。用戶只需拍攝或上傳圖片，即可通過文字或語音提問，直接獲取深度解析。這一功能不僅適用于數(shù)學(xué)題目的實(shí)時(shí)解析，還能幫助用戶對(duì)比商品參數(shù)、價(jià)格，輔助購(gòu)物決策。
為了滿足用戶對(duì)圖片多維解讀的需求，文小言還新增了“圖個(gè)冷知識(shí)”功能。用戶可以預(yù)設(shè)“歷史學(xué)者”、“科技達(dá)人”等人設(shè)視角，為同一圖片賦予不同維度的解讀。例如，當(dāng)用戶詢問“貓為何偏愛窗邊”時(shí)，文小言能從狩獵本能、能量獲取、領(lǐng)地意識(shí)等多個(gè)角度給出獨(dú)特且有趣的解讀。
百度語音首席架構(gòu)師賈磊在活動(dòng)中透露，這是百度在業(yè)界首個(gè)推出的基于全新互相關(guān)注意力（Cross-Attention）機(jī)制的端到端語音語言大模型。他表示：“在滿足一定交互指標(biāo)的前提下，該大模型的調(diào)用成本遠(yuǎn)低于行業(yè)平均水平，推理響應(yīng)速度極快，將語音交互等待時(shí)間壓縮至約1秒，極大提升了交互的流暢性和用戶體驗(yàn)。同時(shí)，在大模型的加持下，我們實(shí)現(xiàn)了流式逐字的LLM驅(qū)動(dòng)的多情感語音合成，使得語音交互更加情感飽滿、逼真且擬人化。”
