3 月 31 日消息，在百度 AI DAY 上，百度發(fā)布首個(gè)基于全新互相關(guān)注意力（Cross-Attention）的端到端語音語言大模型，宣布實(shí)現(xiàn)超低時(shí)延與超低成本，在電話語音頻道的語音問答場景中，調(diào)用成本較行業(yè)均值下降約 50%-90%。

　　當(dāng)日，文小言宣布品牌煥新，率先接入該模型，還帶來多模型融合調(diào)度、圖片問答等功能升級。接入該模型后，文小言不僅能支持更擬真的語聊效果，而且支持重慶、廣西、河南、廣東、山東等特色方言。據(jù)介紹，語音大模型具備極低的訓(xùn)練和使用成本，極快的推理響應(yīng)速度，語音交互時(shí)，可將用戶等待時(shí)長從行業(yè)常見的 3-5 秒降低至 1 秒左右。

　　更新后的文小言還支持“多模型融合調(diào)度”，整合了百度自研的文心 X1、文心 4.5 等模型，并接入 DeepSeek-R1 等第三方優(yōu)質(zhì)模型，實(shí)現(xiàn)了多模型間的智能協(xié)同。用戶可以選擇“自動(dòng)模式”，一鍵調(diào)用最優(yōu)模型組合，也可根據(jù)需求選擇單一模型完成特定任務(wù)，提升響應(yīng)速度與任務(wù)處理能力。

　　從活動(dòng)中獲悉，文小言還加強(qiáng)了圖片問答功能，用戶拍攝或上傳圖片，以文字或語音提問即可直接獲取深度解析。例如，拍攝一道數(shù)學(xué)題可實(shí)時(shí)生成解題思路與視頻解析；上傳多款商品圖可對比參數(shù)、價(jià)格，輔助購物決策。

　　此外，文小言新增“圖個(gè)冷知識(shí)”功能，用戶可預(yù)設(shè)“歷史學(xué)者”“科技達(dá)人”等人設(shè)視角，為同一圖片賦予多維解讀。例如，當(dāng)用戶詢問“貓窗探秘，為何貓愛窗邊的科學(xué)真相？”，文小言能從狩獵本能、能量獲取、領(lǐng)地意識(shí)等角度給出獨(dú)特解讀。

　　百度語音首席架構(gòu)師賈磊透露，該模型是百度在業(yè)界首個(gè)推出、基于全新互相關(guān)注意力 (Cross-Attention) 的端到端語音語言大模型。“在語音場景滿足一定交互指標(biāo)下，大模型調(diào)用成本比行業(yè)平均降低 50%-90%，推理響應(yīng)速度極快，將語音交互等待時(shí)間壓縮至 1 秒左右，極大提升了交互流暢性。同時(shí)，在大模型加持下，實(shí)現(xiàn)了流式逐字的 LLM 驅(qū)動(dòng)的多情感語音合成，情感飽滿、逼真、擬人，交互聽感也得到極大提升?！?/p>