腾讯混元发布实时语音模型 Hy Realtime：能说会唱、还能调用工具，已在元宝语音通话、腾讯客服等上线

IT之家 11 月 13 日消息，腾讯混元今日发布全新实时语音模型 Hy Realtime。该模型在语音理解、指令遵循、拟人化表达等基础对话能力上有优异表现，同时新增 Agentic 工具调用与唱歌能力。

Hy Realtime 已在元宝语音通话、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。官方表示，Hy Realtime 仍在不断迭代，下一步将重点在双工交互、长期个性化记忆、前后台 Agent 交互上等方面不断提升，为用户带来更好的交互体验。

当前版本可通过最新版元宝 App 体验，在语音通话功能中选择“初语”音色；也可访问网页 Demo 进行部分能力体验。https://rtcube.cloud.tencent.com/component/hunyuan/index.htmlIT之家附官方介绍如下：Hy Realtime 在理解用户意图和指令遵循方面表现出色。

现实交流中，用户交互可能会口齿含糊、话说半截，或者中途改口纠正自己，模型可以结合对话上下文，对这类不完整输入进行意图还原，理解准确率显著提升。同时，模型的多轮指令遵循与上下文管理能力进一步增强，在较长的连续对话中依然能够稳定理解用户意图，保持对话流畅。

除了基础对话功能，Hy Realtime 还具备工具调用能力，它能根据对话上下文、用户意图准确判断是否执行联网搜索，统一搜索决策、调用工具与生成回答。除了“听力理解”的大幅提升，Hy Realtime 的口语表达能力也进一步升级。

在音质、发音、韵律、情感各维度上全面优于上一代模型，对话内情感的变化和递进更加自然，韵律语调处理也更具多样性，与用户的共情能力进一步提升。依托与腾讯音乐 TME 灵音 AI 团队的深度 Co-Design，Hy Realtime 新增唱歌能力，将自然语言点歌与富有表现力的歌声融入对话，让交互从“能说”走向“会唱”。

用户可以按歌手、专辑、曲风、语种、发行年份和热度组合点歌，也能承接前文继续选择。例如，当用户说“来首 2010 年到 2020 年之间的英文民谣”，模型即可结合多轮上下文，理解点歌意图、匹配歌曲并演唱。

在演唱表现上，混元团队围绕表现力、自然度和音乐性持续打磨，让演唱情绪更有层次，咬字、气息衔接更加自然，旋律与节奏表达更加协调。在内部专家 A/B Test 评测中，Hy Realtime 在核心体验维度中呈现出显著优势。

▲ 在中文 / 中英混为主的应用场景上，混元语音构建了体验向的真实产品评测体系。在内部专家盲评的结果上，基础搜答类体验上有了显著提升。▲ 在覆盖数学、科学、逻辑推理、知识问答、复杂指令、文本理解、多轮等多个维度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 Benchmark 上，综合客观表现处于领先水平。