1月20日，豆包实时语音大模型正式发布，旨在实现端到端语音对话，主要面向中文语境。该模型具备接近真人的语音表达水准，低时延且支持打断对话。在与OpenAI的GPT-4o对比中，豆包模型在语音语气自然度和情绪饱满度方面表现更优，整体满意度评分4.36（满分5分）。豆包模型团队采用端到端框架，融合语音与文本模态，通过预训练和后训练阶段优化，提升了模型的对话能力和安全性。实时语音AI的价值在于提供更真实的交互体验和情感价值，有望推动AI端侧硬件的发展。