百度端到端语音语言大模型发布，成本宣称最高降90%

IT之家 3 月 31 日消息，在今日的百度 AI DAY 上，百度发布首个基于全新互相关注意力（Cross-Attention）的端到端语音语言大模型，宣布实现超低时延与超低成本，在电话语音频道的语音问答场景中，调用成本较行业均值下降约 50%-90%。

当日，文小言宣布品牌焕新，率先接入该模型，还带来多模型融合调度、图片问答等功能升级。接入该模型后，文小言不仅能支持更拟真的语聊效果，而且支持重庆、广西、河南、广东、山东等特色方言。据介绍，语音大模型具备极低的训练和使用成本，极快的推理响应速度，语音交互时，可将用户等待时长从行业常见的 3-5 秒降低至 1 秒左右。

更新后的文小言还支持“多模型融合调度”，整合了百度自研的文心 X1、文心 4.5 等模型，并接入 DeepSeek-R1 等第三方优质模型，实现了多模型间的智能协同。用户可以选择“自动模式”，一键调用最优模型组合，也可根据需求选择单一模型完成特定任务，提升响应速度与任务处理能力。

IT之家从活动中获悉，文小言还加强了图片问答功能，用户拍摄或上传图片，以文字或语音提问即可直接获取深度解析。例如，拍摄一道数学题可实时生成解题思路与视频解析；上传多款商品图可对比参数、价格，辅助购物决策。

此外，文小言新增“图个冷知识”功能，用户可预设“历史学者”“科技达人”等人设视角，为同一图片赋予多维解读。例如，当用户询问“猫窗探秘，为何猫爱窗边的科学真相？”，文小言能从狩猎本能、能量获取、领地意识等角度给出独特解读。

百度语音首席架构师贾磊透露，该模型是百度在业界首个推出、基于全新互相关注意力 (Cross-Attention) 的端到端语音语言大模型。“在语音场景满足一定交互指标下，大模型调用成本比行业平均降低 50%-90%，推理响应速度极快，将语音交互等待时间压缩至 1 秒左右，极大提升了交互流畅性。同时，在大模型加持下，实现了流式逐字的 LLM 驱动的多情感语音合成，情感饱满、逼真、拟人，交互听感也得到极大提升。”