11 月 13 日，腾讯混元发布全新实时语音模型 Hy Realtime，在语音理解、指令遵循与拟人化表达之外新增了 Agentic 工具调用与唱歌两项能力，已在元宝语音通话与腾讯客服等产品上线，近期也将上线腾讯云对外提供 API 服务。当前可通过最新版元宝 App 的语音通话中选择初语音色体验。
点歌支持 6 个维度组合
唱歌能力由腾讯混元与腾讯音乐 TME 灵音 AI 团队深度 Co-Design 完成。用户可以按歌手、专辑、曲风、语种、发行年份和热度这 6 个维度组合点歌，也能承接前文继续选择。比如用户说出一首 2010 年到 2020 年之间的英文民谣，模型会结合多轮上下文理解点歌意图、匹配歌曲并演唱。在演唱表现上，团队围绕表现力、自然度与音乐性持续打磨，让情绪更有层次、咬字与气息衔接更自然。
口齿含糊也能还原意图
现实交流里用户常常话说半截或者中途改口纠正自己，Hy Realtime 会结合对话上下文对这类不完整输入做意图还原，理解准确率显著提升。多轮指令遵循与上下文管理能力也进一步增强，在较长的连续对话中依然能稳定理解意图并保持流畅。
工具调用与公开基准表现
工具调用方面，模型会依据对话上下文与用户意图判断是否执行联网搜索，把搜索决策、工具调用与生成回答统一起来。音质、发音、韵律、情感四个维度上全面优于上一代模型。在内部专家盲评中，基础搜答类体验有显著提升；在覆盖数学、科学、逻辑推理、知识问答、复杂指令、文本理解、多轮的内部自建基础智商测试集上，非思考模式的中文表现不俗，在语音交互领域多个公开基准上综合客观表现处于领先水平。
语音交互的门槛正在从能不能说，挪到能不能干活和能不能唱。
延伸阅读
- ElevenLabs Scribe v3 发布：102 语言词错率降 27%21 小时前
- 讯飞 SparkAudio 1.0 上线：99 语言 202 方言 语音基座22 小时前
- 腾讯混元 Hy4 正式版：770B 参数首现视觉与电脑操作1 周前
- ElevenLabs Scribe v3：102 语言词错率降 27%、0.2 美元/小时19 小时前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。
继续读
往下这几篇值得接着看：
- ElevenLabs Scribe v3 发布：102 语言词错率降 27%2026-11-13
- 讯飞 SparkAudio 1.0 上线：99 语言 202 方言 语音基座2026-11-13
- ElevenLabs Scribe v3：102 语言词错率降 27%、0.2 美元/小时深度2026-11-13