腾讯混元发新语音模型：会办事，还会唱歌

11月13日，腾讯混元官微发布全新实时语音模型 Hy Realtime。它不只是把话讲得更自然，还新增了两样新本领：能在对话里调用工具把事办完，还能唱歌。目前它已经悄悄跑在元宝语音通话和腾讯客服里，接下来还会上架腾讯云对外开放。一个语音助手，正在从「能聊天」走向「能干活」。

这一代到底新在哪

腾讯混元介绍，Hy Realtime 在语音理解、指令遵循、拟人化表达这些基础对话能力上都有提升。但更关键的变化是两项新增能力。第一是 Agentic 工具调用：换句话说，它不再只是一个被动应答的「嘴」，而是能在对话过程中调用工具，真正去完成一件事，比如查信息、下单、办业务。第二是唱歌能力，补上了此前语音模型普遍缺失的表现力场景。

把这两点合起来看，意义在于语音交互的范式变了。过去你跟语音助手说话，它最多给你一段答案；现在它能接住你的意图，自己动手去调用背后的服务。这对「说话」这件事的要求高得多——要听得懂、要会判断该调哪个工具、还要把结果自然地说回来。

已经在你手机里悄悄服役

这个模型不是实验室里的样品。据官方信息，Hy Realtime 已经上线元宝语音通话和腾讯客服等内部产品，直接改善数亿用户的对话体验。一个普通用户可能没察觉背后换了个模型，但会感觉到打电话问客服时，对方更听得懂人话、更少答非所问；用元宝语音聊天时，对话更连贯、更像在跟一个真人助理说话。

对腾讯自身来说，这也是把自研实时语音能力从内部场景推向外部的关键一步。此前这类能力很多依赖第三方供应商，接入后，开发者可以在低延迟的语音交互场景里省掉一层外部依赖和额外成本。近期它将上架腾讯云，以 API 形式对外开放，意味着第三方应用也能把这套语音能力接进去。

语音模型的竞争，正在换赛道

把视野放宽，实时语音一直是这两年大模型厂商的必争之地。相比文字，语音更贴近普通人的日常使用——开车时、做家务时、不方便看屏幕时，张嘴说比打字方便得多。谁能把语音做得既自然又能办事，谁就更有可能成为人们手机里那个「默认打开」的入口。

Hy Realtime 的打法，是把「对话」和「工具调用」绑在一起。这跟整个行业从「比谁的模型最强」转向「比谁能真正帮用户把事办成」的趋势是一致的。一个只会聊天的语音助手，黏性有限；一个能帮你查、帮你订、帮你办的语音助手，才会真正成为日常依赖。

下一步往哪走

腾讯方面表示，Hy Realtime 仍在持续迭代，下一阶段的重点是提升双工交互、长期个性化记忆，以及前后台 Agent 交互等能力。双工交互指的是更像真人的「边听边说、随时打断」；长期记忆意味着它慢慢认识你、记住你的偏好；前后台 Agent 则指向更复杂的任务编排。

这些方向其实都指向同一个目标：让语音助手从「一次性应答」变成「长期在线的搭档」。当它能记住你上周说过的事、能在你说话途中自然插话、能把一个复杂任务拆给后台多个智能体去完成时，人和AI的相处方式会更接近「有个靠谱的助理」。