Hy Realtime – 会听、会说、会唱，还能顺手帮你查资料

语音助手常常卡在半路：话没说完它就抢答，中间改个口它接不住，问一句实时信息它只会”我不联网”。2026年11月13日，腾讯混元发布全新实时语音模型Hy Realtime，正是冲着这些毛病来的。它把语音理解、指令遵循、拟人化表达做得更稳，又新加了 Agentic 工具调用和唱歌两件事——能根据聊天内容自己决定要不要联网查资料，能用一句大白话点歌并直接唱出来。模型已经跑在元宝语音通话、腾讯客服这些产品里，服务数亿用户，腾讯云也将在近期以 API 形式对外开放。

Hy Realtime特点

听得懂没说完的话

现实中人说话很少一次说利索：口齿含糊、话说半截、说到一半又改口纠正自己。Hy Realtime 会结合对话上下文把这些不完整的输入还原成真实意图，理解准确率比上一代明显提高，长对话里也能保持稳定，不会因为聊得久了就忘了前面说过什么。

该查就查，不用你下命令

模型会依据上下文和意图自己判断要不要执行联网搜索，把”要不要搜、调哪个工具、怎么组织回答”这条链路统一收进实时语音流程里。语音模型从单纯”把话念出来”的出口，变成了能承担任务执行的角色。

声音更像人，情绪会递进

音质、发音、韵律、情感几个维度全面超过上一代，同一轮对话里情绪的变化和推进更自然，语调处理也更有花样，跟用户共情的能力更强。

能说，还会唱

跟腾讯音乐 TME 灵音 AI 团队深度 Co-Design 之后，自然语言点歌和带表现力的歌声被融进对话。按歌手、专辑、曲风、语种、发行年份、热度任意组合点歌，也能顺着上文继续挑，比如”来首 2010到2020年之间的英文民谣”，它听懂意图、找歌、开唱一气呵成。

首响快，能随时打断

底层依托腾讯云实时音视频 TRTC，支持全双工对话、边说边听、中途插话打断，配合 AI 降噪过滤环境噪声和远处人声，减少助手被误打断。

Hy Realtime技术原理

跨模态对齐靠训练阶段的协同设计

模型把预训练和后训练放在一起规划，让文本与语音两种模态对齐得更扎实。整个数据体系围绕 CT、SFT、OPD 与 RL 四个阶段搭建：CT 预训练语料达到千万小时级规模，配套 51 套纯文本评测集与 50 多套语音评测集把关质量。

让文本能力真正迁移到语音上

高质量文本数据往语音任务上迁移，过去有效保留率只有 21%，这一代把 SFT 数据的保留率拉升到 69%。相当于把大模型在文字上学到的知识、推理和指令遵循能力，更多地搬进了语音这条通道。

边生成文本、边合成语音

语音生成模块采用低延迟方案，文本和语音不再串行等待，而是同步推进，大幅压低首响延迟——这是实时对话听起来”跟得上”的关键。

评测体系往真实体验靠

面向中文与中英混用场景，团队自建了体验向的真实产品评测体系，在基础搜答类体验上做盲评对比，提升明显;在覆盖数学、科学、逻辑推理、知识问答、复杂指令、文本理解、多轮等维度的内部智商测试集上，非思考模式的中文表现同样可圈可点;在语音交互多个公开 Benchmark 上，综合客观表现处于领先水平。

Hy Realtime项目地址

官方：https://rtcube.cloud.tencent.com/component/hunyuan/index.html

智能客服与语音导航

腾讯客服已经接入，用户说话断续、临时改需求也能被接住，需要查订单、查政策时模型自己联网调信息，减少转人工。

AI 陪伴与语音助手

元宝语音通话面向个人用户，情绪递进自然、能陪聊能唱歌，交互更像真人对话而非一问一答。

教育与口语练习

长对话稳定、可随时打断的特性适合语言陪练、面试模拟这类需要持续多轮的场景。

车载与智能硬件

低首响、支持打断的全双工链路适配车载助手、音箱等需要边听边说的设备形态。

开发者自建应用

腾讯云上线 API 后，外部开发者能把这套实时语音、工具调用与点歌能力嵌进自己的产品，不用再接第三方语音服务。

娱乐与内容互动

自然语言点歌加演唱，给语音助手、内容 App 增加了带表演性质的新交互玩法。

Hy Realtime同类产品对比

表格