豆包App灰度最新语音模式，实现了GPT-4o不会的唱歌

文｜周鑫雨

编辑｜苏建勋

2025年，豆包的第一更，放在了语音通话功能上。

2025年1月20日，豆包发布了最新的“端到端”语音大模型，并基于该模型更新豆包APP的实时语音通话功能。

此前，豆包语音通话功能采用的是ASR（自动语音识别）+LLM（大语言模型）+TTS（文生音频）的级联方案。如今更新的端到端语音大模型，是将语音识别、理解和生成，都放在同一个模型中解决。

据《智能涌现》测试，更新语音模型后的豆包，最大的亮点在于，豆包在语音交互时，把类似人类的表达形式和情感输出，复刻了出来。与此同时，新版本的对话流畅度和智商情商，也有大幅提升。

比如，豆包上新的“灵魂歌手”和“百变大咖”等语音通话模式，比GPT-4o还抢先一步，实现了唱歌和角色扮演。

△豆包更新的语音通话模式。

豆包学会了唱歌，和角色扮演

豆包一个大变化，是把语音的角色扮演能力，拓展到了明星、书中和影视中的角色。这一功能，也体现在了豆包语音通话的“百变大咖”模式中。

比如当作者提出“模仿虞书欣的声音说话，并且说一段新年祝福”，豆包一句“哼，我才不要模仿她呢！我就是我，不一样的烟火”，就把“小作精”的劲儿还原出来了。

演示视频：https://pan.baidu.com/s/1i9DvF3o2wjq_jyGMuF_lgQ?pwd=yrn8

而且豆包的上下文记忆能力也相当不错。当我在同一段对话中尝试了宋丹丹、林黛玉、甄嬛等角色，再次要求豆包模仿虞书欣时，它立马委屈上了：“怎么又让我模仿她呀？”

演示视频：https://pan.baidu.com/s/1gmHHEkqcrwAfiY01uy8-Uw?pwd=3b7a

当下，市面上多数语音模型的歌曲创作，还需要用户输入较为专业的文字Prompt，或者需要先基于用户输入的文字音频，进行谱曲，无法在自然的语音交互中，做到“张口就来”。

豆包这次上线的“灵魂歌手”模式，就能让豆包在聊天中，随口把歌唱了。

比如让豆包唱一首节奏欢快的歌，它张口就来了一曲Taylor Swift的《Love Story》，不过缺点是把歌名说成了“Lose Control”，以及音准确实也有些“Lose Control”。

演示视频：https://pan.baidu.com/s/1vN4GpKdVtGEn4bYiV3uOkQ?pwd=kj8j

除此之外，歌曲创作能力，豆包也有了。比如和豆包说“给我唱一首歌，歌词里面要有‘年终奖多多’”，它立刻表演了一首。虽然歌词比较口水，但响应速度很是优秀。

演示视频：https://pan.baidu.com/s/1VZAL7F6h0cH6x8pDDB1muw?pwd=3seb

从角色演绎和唱歌的能力就能感受到，豆包的拟人能力、交互自然程度以及情绪表达水平，已经是next level。

比如让豆包讲个鬼故事，它能根据情节切换语气，非常有氛围感。

演示视频：https://pan.baidu.com/s/13g20MBVW1ydmtuL-dd3qSw?pwd=g3kb

这次豆包又上线了两种人格模式：“受气小包”和“夸夸大师”。

所谓的“受气小包”，官方说法是可以让豆包呈现委屈巴巴的状态。但我们聊下来的感受是，“受气小包”更准确的说法应该是“绿茶小包”。

演示视频：https://pan.baidu.com/s/1cixSfFb89KVC1wBKogGOyg?pwd=vcxr

不过难得的是，不管接受任何指令，“受气小包”都能维持“委屈”的人设。比如让“受气小包”阴阳怪气一些，最阴阳的版本，还是散发着茶香：

“哟，我可不敢呐，你可是主子，我不过是个任您使唤的小可怜，哪敢有什么别的想法呀！”

演示视频：https://pan.baidu.com/s/1y4JBcUIjOMQKozUeufvXCg?pwd=b746

相比于8月发布的出版语音通话功能，能明显感受到，豆包的情绪感知能力也更强了。通过一个“啊哈”，它就能感知到用户欢快的情绪。

演示视频：https://pan.baidu.com/s/1UKAra3EOhL0l_1OPFoRdAg?pwd=m1rb

当然，豆包的情绪表达上，也变得更像人。用“猜性别”来逗豆包，有一种和真实网友开玩笑的感觉。

演示视频：https://pan.baidu.com/s/1eTlUjDLENsnWGE2mEzSLEg?pwd=rusa

搞定语音交互，拟人赛道的入场券

2024年5月，自OpenAI旗下GPT-4o发布以来的很长一段时间里，市面上大多AI语音通话功能，采用的都是ASR（自动语音识别）+LLM（大语言模型）+TTS（文生音频）的级联方案。

比如初代豆包的语音通话功能，就集成了语音识别模型Seed-ASR、语音合成模型Seed-TTS，以及整合了RTC（实时音视频）技术，来实现对话情境下AI的实时交互。

但集成多个模型的级联方案，劣势在于AI的交互，很大程度上还不够像人一样自然。在“语音转文字再转语音” 的过程中，难免出现信息的损耗。

这也导致，传统的语音交互模式在落地场景上有一定的局限性。行业对于AI语音交互的落地，局限在教育、客服等高专业度、低拟人度的场景中。

不过，端到端方案正在逐渐成为主流。比如智谱在2024年10月发布的GLM-4-Voice，以及面壁智能在2025年1月15日发布的“端侧GPT-4o”MiniCPM-o 2.6，就采用了端到端的模型方案，在一个模型里同时完成视觉的理解，以及语音的理解和生成。

据《智能涌现》了解，这次豆包语音通话功能的更新，主要是由于底层模型技术，从原有多个多模态模型合作的级联方案，改成了直接从“理解语音到生成语音”的端到端方案，因此在降低延时、自然度、情感表达等方面，都有了明显的提升，并且还能输出歌曲。

而语音能力的提升，也会将AI落地的空间，从教培、客服等专业领域，扩展到情感陪伴、心理咨询、配音等更广阔的场景中。

尤其是AI情感陪伴、角色扮演领域，在当下已经展现出强大的吸金能力。

比如，最近一款主打AI偶像扮演的App“Lovey Dovey”，迅速冲上韩区iOS评分第一，深受追星族的追捧。“六小虎”MiniMax旗下的角色扮演应用Talkie，根据AI产品榜，截至2024年12月拥有2977万月活用户。

Lovey Dovey对话1

Lovey Dovey对话2

在语音层面对角色扮演、情绪感知和表达能力的提升，则是丰富AI与人交互形式、提升沉浸感的关键一环。情感交互能开拓的市场空间，也逼迫着技术朝着“拟人”的方向更近一步。

欢迎交流！