Le 13 novembre, Tencent Hunyuan a dévoilé Hy Realtime, un nouveau modèle vocal temps réel présenté comme capable de parler, de chanter et d'appeler des outils. Il est déjà en service dans les appels vocaux de Yuanbao et le service client de Tencent, et arrivera bientôt sur Tencent Cloud sous forme d'API. Neuf jours plus tôt, le 4 novembre, Hunyuan avait lancé Tencent Hunyuan Hy4, son premier modèle doté de vision et de manipulation d'ordinateur ; le modèle vocal temps réel suit de près.
Il comprend les phrases inachevées — et répond en chantant
Hy Realtime gère les entrées imparfaites : mots marmonnés, phrases coupées en plein milieu, corrections en cours de phrase. Il reconstruit l'intention de l'utilisateur à partir du contexte de la conversation, et sa perception dépasse la transcription vocale pour inclure des indices paralinguistiques comme l'émotion, l'intonation et les sons ambiants. Côté expression, qualité sonore, prononciation, rythme et émotion progressent tous par rapport à la génération précédente, Hy2-O, avec des variations émotionnelles plus naturelles au fil de l'échange.
Deux nouvelles capacités se démarquent. La première est l'appel d'outils agentique : le modèle décide, à partir du contexte et de l'intention de l'utilisateur, si une recherche Web est nécessaire, en unifiant décision de recherche, appel d'outil et génération de réponse. La seconde est le chant, développé avec l'équipe TME Lingyin AI de Tencent Music. Les utilisateurs peuvent demander des chansons par chanteur, album, genre, langue, année de sortie et popularité, ou poursuivre un choix entamé plus tôt dans la conversation — dites « joue une chanson folk anglaise de 2010 à 2020 » et le modèle comprend la demande, choisit un titre et le chante.
Les résultats des benchmarks méritent un regard attentif
Dans l'évaluation interne en aveugle menée par les experts de Hunyuan, Hy Realtime obtient 2,52 au total, légèrement sous les 2,56 de l'application Doubao ; son taux de disponibilité de 40,63 le place ex aequo en tête avec Doubao. Sur quatre benchmarks publics, il ne se classe premier que sur Wild Speech Bench, avec 75,35, un rival le devançant de peu sur les trois autres ; sur Hy-Eval-Audio3.0, développé en interne, il obtient 39,33, sous les 61,01 de Gemini-3.8-Flash. Le progrès le plus net se mesure face à son prédécesseur : le score global passe de 2,01 à 2,52, et la disponibilité de 25,78 à 40,63.
Tout le monde peut l'essayer dès maintenant : ouvrez les appels vocaux dans la dernière version de l'application Yuanbao, choisissez la voix « Chuyu » et testez gratuitement — y compris en lui demandant de chanter. Techniquement, Hunyuan a porté de 21 % à 69 % le taux de préservation lors du transfert de données textuelles de qualité vers les tâches vocales, la clé pour « parler comme une personne sans perdre en intelligence ». L'équipe se concentrera ensuite sur l'interaction en duplex intégral, la mémoire personnalisée à long terme et l'interaction entre agents de premier et d'arrière-plan. Le nombre de paramètres, les tarifs et la date de lancement de l'API n'ont pas été annoncés.
