Am 13. November hat Tencent Hunyuan Hy Realtime vorgestellt, ein neues Echtzeit-Sprachmodell, das sprechen, singen und Werkzeuge aufrufen kann. Es ist bereits in Yuanbao-Sprachanrufen und im Kundenservice von Tencent live und soll bald über Tencent Cloud als API verfügbar sein. Erst neun Tage zuvor, am 4. November, hatte Hunyuan Tencent Hunyuan Hy4 veröffentlicht, das erste Modell mit Sehvermögen und Computerbedienung; das Echtzeit-Sprachmodell folgt dicht dahinter.
Es versteht abgebrochene Sätze — und singt zurück
Hy Realtime verarbeitet unvollständige Eingaben: genuschelte Wörter, mittendrin abgebrochene Sätze, Korrekturen im laufenden Satz. Es rekonstruiert aus dem Gesprächskontext, was der Nutzer meint, und seine Wahrnehmung reicht über Sprache-zu-Text hinaus zu paralinguistischen Merkmalen wie Emotion, Intonation und Umgebungsgeräuschen. Beim Ausdruck sind Klangqualität, Aussprache, Rhythmus und Emotion gegenüber der Vorgängergeneration Hy2-O durchweg verbessert, emotionale Wechsel im Gespräch wirken natürlicher.
Zwei neue Fähigkeiten stechen hervor. Erstens der agentische Werkzeugaufruf: Das Modell entscheidet aus Kontext und Nutzerabsicht selbst, ob eine Websuche nötig ist, und vereint Suchentscheidung, Werkzeugaufruf und Antwortgenerierung. Zweitens das Singen, entwickelt mit dem TME-Lingyin-KI-Team von Tencent Music. Nutzer können Songs nach Sänger, Album, Genre, Sprache, Erscheinungsjahr und Beliebtheit anfragen oder an frühere Gesprächsteile anknüpfen — etwa mit „spiel einen englischen Folk-Song von 2010 bis 2020“, woraufhin das Modell die Absicht versteht, einen Song auswählt und singt.
Die Benchmark-Ergebnisse brauchen einen genaueren Blick
In Hunyuans interner Experten-Blindbewertung erreichte Hy Realtime insgesamt 2,52 Punkte, knapp unter den 2,56 der Doubao-App; die Verfügbarkeitsrate von 40,63 teilte es sich mit der Doubao-App auf dem Spitzenplatz. Bei vier öffentlichen Benchmarks lag es nur beim Wild Speech Bench mit 75,35 vorn, bei den anderen drei lag jeweils ein Konkurrent knapp darüber; beim hauseigenen Hy-Eval-Audio3.0 kam es auf 39,33 und blieb unter den 61,01 von Gemini-3.8-Flash. Der deutlichste Fortschritt zeigt sich im Vergleich zum Vorgänger: Die Gesamtpunktzahl stieg von 2,01 auf 2,52, die Verfügbarkeit von 25,78 auf 40,63.
Jeder kann es jetzt ausprobieren: In der neuesten Yuanbao-App einen Sprachanruf öffnen, die Stimme „Chuyu“ wählen und kostenlos testen — auch singen lassen. Technisch hat Hunyuan die Erhaltungsrate beim Übertragen hochwertiger Textdaten auf Sprachaufgaben von 21 % auf 69 % erhöht, der Schlüssel dazu, „wie ein Mensch zu sprechen, ohne an Intelligenz zu verlieren“. Als Nächstes konzentriert sich das Team auf Vollduplex-Interaktion, langfristiges personalisiertes Gedächtnis und die Interaktion von Vorder- und Hintergrund-Agenten. Parameterzahl, Preise und Starttermin der API wurden noch nicht bekannt gegeben.
