電子發(fā)燒友網(wǎng)報道（文/莫婷婷）隨著大模型技術(shù)的迅猛發(fā)展，人機交互正經(jīng)歷從“工具式響應”向“擬人化陪伴”的深刻變革。在這一進程中，語音交互作為最自然的人機溝通方式。
?
百度智能云泛科技行業(yè)解決方案總監(jiān)孫穎欣在地瓜機器人的DDC2025 人機交互分論壇上指出，大模型時代的交互方式經(jīng)歷了三個關鍵階段的演進：第一階段是文本、語音交互第二階段是多模態(tài)融合交互，結(jié)合語音、視覺、動作等多通道信息提升交互體驗；第三階段則是復雜任務下的主動自主交互，由此催生了陪伴機器人、AI寵物等新型智能硬件形態(tài)。
?
在情感陪伴場景中，擬真互動需滿足四大核心要素：一是低時延，響應控制在400到600毫秒內(nèi)，超過這個范圍，體驗就會下降；二是有感情且?guī)в洃?；三是有個性，例如音色、內(nèi)容風格具備獨特人格特征；四是主動性。這四大要素共同構(gòu)建了“真實感”與“親密感”，成為新一代AI硬件成敗的關鍵。
?
為支撐這一趨勢，百度智能云聯(lián)合地瓜機器人的計算芯片旭日3和旭日5打造了多款語音交互方案，包括多模態(tài)互動框架方案、端到端語音交互方案等，可以面向不同產(chǎn)品定位的AI硬件。
?
?
多模態(tài)互動框架方案采用的“ASR + 大模型 + TTS”三段式架構(gòu)，資源層是全球RTN網(wǎng)絡，以及GPU/CPU算力，在此基礎上深度融合了聲紋識別、情緒識別、長期記憶及視覺理解等能力。其既支持百度自研的文心大模型，也允許接入第三方語言或視覺模型；同時無縫對接百度百科、音樂、教育等垂類資源。
?
百度智能云的端到端語音大模型方案是業(yè)界首個基于Cross-Attention的語音語言大模型的方案，不再將語音先轉(zhuǎn)為文本再輸入模型，而是直接將原始音頻信號（含音色、語調(diào)等）作為大模型輸入，基于Cross-Attention的語音語言大模型，實現(xiàn)音義聯(lián)合建模，使模型能精準捕捉“弦外之音”與情緒狀態(tài)，解決了傳統(tǒng)級聯(lián)式鏈路“情感丟失、延遲高、打斷體驗差”等痛點。
?
端到端語音大模型方案采用高效的全查詢注意力EALLQA技術(shù)，Encoder與語音識別結(jié)合、Decoder與語音合成結(jié)合，可以實現(xiàn)對用戶question的極速理解，計算量顯著降低10倍。
?
孫穎欣介紹，端到端方案的一大優(yōu)勢是場景泛化能力強。在近場（如智能音箱）可提供細膩情感反饋；在遠場則通過前端聲學優(yōu)化與噪聲建模，確保在電機轟鳴、多人交談等復雜環(huán)境中依然精準拾音。例如掃地機器人等高噪聲場景，通過百度云端到端語音大模型方案的“原生抗噪”能力，可以把掃地機工作時的日常噪聲過濾掉，大幅降低了硬件端的麥克風陣列與降噪算法成本。
?
?
?
孫穎欣指出，面對AI陪伴場景，沒有最好的方案，只有最合適的路徑。例如多模態(tài)互動框架方案特別適合需要豐富內(nèi)容生態(tài)與定制化開發(fā)的AI玩具、兒童陪伴機器人等產(chǎn)品，還能夠構(gòu)建面向智能家居、AI眼鏡穿戴場景。未來，隨著大模型持續(xù)進化與芯片算力提升，語音交互實現(xiàn)從“功能實現(xiàn)”向“情感連接”的跨越。
?
?