11月13日、テンセント混元は新しいリアルタイム音声モデルHy Realtimeを発表した。「話せて、歌えて、ツールも呼べる」が売りだ。すでに元宝（Yuanbao）の音声通話とテンセントのカスタマーサービスで提供されており、近日中にテンセントクラウドに登場し、APIとして外部提供される。11月4日に混元が発表したばかりのテンセント混元Hy4は視覚とパソコン操作を初めて搭載したモデルで、それから10日もたたないうちにリアルタイム音声モデルが続いた。
言いかけの言葉を聞き取り、歌って返す
Hy Realtimeは、口ごもり、途中で切れた発話、言い直しといった不完全な入力を処理し、会話の文脈からユーザーの意図を復元する。認識は音声からテキストへの変換にとどまらず、感情、抑揚、環境音といった副言語的な特徴まで広がる。表現面では、音質、発音、リズム、感情のすべてが前世代のHy2-Oを上回り、会話中の感情の変化や高まりがより自然になった。
注目すべき新機能は二つある。一つ目はエージェント型のツール呼び出しで、モデルが会話の文脈とユーザーの意図からネット検索が必要かどうかを自ら判断し、検索の判断、ツールの呼び出し、回答の生成を一体化する。二つ目は歌唱機能で、テンセントミュージックのTME霊音AIチームと共同で開発した。歌手、アルバム、ジャンル、言語、発売年、人気度を組み合わせて曲をリクエストでき、前の会話の流れを引き継いで選ぶこともできる。たとえば「2010年から2020年の英語フォークを1曲」と言えば、モデルが意図を理解して曲を選び、歌い出す。
ベンチマークの結果は分けて見るべきだ
混元の内部専門家によるブラインド評価で、Hy Realtimeの総合スコアは2.52で、豆包（Doubao）アプリの2.56をわずかに下回った。利用可能率は40.63で、豆包アプリと並んでトップだった。4つの公開ベンチマークでは、Wild Speech Benchで75.35を記録して首位に立ったが、残りの3つでは競合がわずかに上回った。自社開発のHy-Eval-Audio3.0では39.33で、Gemini-3.8-Flashの61.01を下回った。最も確かな進歩は前世代との比較にある。総合スコアは2.01から2.52へ、利用可能率は25.78から40.63へ上がった。
一般ユーザーも今すぐ試せる。最新版の元宝アプリで音声通話を開き、「初語（Chuyu）」の音色を選べば無料で体験でき、歌ってもらうこともできる。技術面では、良質なテキストデータを音声タスクへ移す際の保持率を21%から69%へ引き上げたことが、「人らしく話しながら知性を落とさない」ための鍵だ。次の重点は、双方向の同時通話、長期的なパーソナライズ記憶、フォアグラウンドとバックグラウンドのエージェント連携にある。パラメータ数、価格、APIの提供開始日はまだ公表されていない。
