阿里通义发布端到端语音交互模型 Fun-Audio-Chat，能猜出你的心情

阿里通义在2025年12月23日发布的新一代端到端语音交互模型——Fun-Audio-Chat。我为你整理了它的核心特点和技术亮点。

🎯 核心功能与体验

根据文章描述，Fun-Audio-Chat旨在提供“像朋友一样的对话体验”，主要亮点是：

• 情感识别：能从语气、语速、停顿中感知用户的情绪，并给出相应回应。

• 复杂任务处理：用户可用自然语音下达指令，模型能自动调用函数完成任务。

• 端到端设计：采用从语音直接生成语音的架构，无需拼接传统多个模块（如语音识别、大语言模型、语音合成），因此效率更高、延迟更低。

💡 主要技术亮点

文章提到的几个关键技术突破包括：

1. 端到端S2S架构：简化流程，提升响应速度。

2. 双分辨率设计：采用5Hz和25Hz双帧率处理，在保证语音质量的同时，降低了近50%的GPU计算开销。

3. 大规模训练：使用百万小时覆盖多任务的真实场景数据进行训练，使模型更“接地气”。

🏆 性能表现

文章称，开源的 Fun-Audio-Chat 8B 版本在包括OpenAudioBench在内的多个评测榜单上，取得了“同尺寸模型排名第一”的成绩，综合性能超过了GLM4-Voice、Kimi-Audio等模型。

总的来说，这是一个注重低延迟、高效率，并能理解用户情感的语音交互模型。如果你想进一步了解技术细节或查看开源代码，可以访问文章中提供的开源地址。

希望以上信息对你有帮助！如果你对这类AI模型的其他方面感兴趣，可以随时提出。