语音界Deepseek！百度最新跨模态端到端语音交互，成本最高降90%

鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI

没想到，文小言接入推理模型的大更新背后，百度还藏了一手“质变”级技术大招？？？

士别三日，文小言不仅能讲重庆话了，还是成了哄娃的一把好手，被花式打断照样应对如流。

实测下来，Demo不虚。这个全新语音对话功能，确实更有人味儿了，还是能紧贴当下实事的那种——

只是让Ta推荐周末放松去处，Ta自己就能主动结合当前4、5月份的现实时间，给出更加合理的建议。

划重点，这是免费的。现在你也一样可以打开手机里的文小言，直接体验这一全新升级的实时语音对话功能。

但！是！

如果单说语音体验，那还真不是这个“大招”的重点。关键是，这回百度还透露了更多技术细节。

我们仔细一看，还真是有意思了。

首先，上来就是一个行业首创：以上实时语音对话效果，由百度全新推出的端到端语音语言大模型实现，这是行业首个基于Cross-Attention的跨模态语音语言大模型。

有何不同？站在用户体验的角度来说，就是语音合成延迟更低，对话更真实有情感。

而更重要的一点是，这么个新模上线，文小言在语音问答场景中的调用成本，最高能降低90%！直接打掉了工业级落地的门槛。

（再也不怕模型厂流量大到挂我服务.jpg）

我们注意到，百度语音首席架构师贾磊，其实用到了“质变”这个词：

• 百度端到端语音语言大模型是有质变的，不是单纯把文本大模型用到语音领域。
• 语音场景有其独特之处。此前，大家没有充分挖掘这个应用场景的不同，还是按照把文本大模型用到语音场景的路线，把速度加快一下，工程优化一下。
• 我们的创新架构，让大模型在语音场景中的应用实现了极低成本，更有利于大模型普及。

就是说，这一次语音技术的更新，不仅仅是工程上的技巧，百度正在通过技术创新，打通大模型落地语音场景的工业级应用新范式。

行业首个基于Cross-Attention的端到端语音语言模型

话说到这了，咱们就来一起仔细扒一扒背后技术方案，看看究竟是怎么一回事。

先给大家划个重点：

熟悉大模型的小伙伴都知道，KV cache能够加速自回归推理，但其在存储和访问上的开销，也会随着序列长度和模型规模增大而爆炸式增长。

因此在保证模型性能的前提下，降低KV cache，对于大模型应用来说，是提升推理效率、降低成本的一大关键。

百度此次推出的基于Cross-Attention的端到端语音语言模型，重点就在于此。

具体来说，百度做了以下创新：

• 业内首创的基于Cross-Attention的跨模态语音语言大模型
• Encoder和语音识别过程融合，降低KV计算
• Decoder和语音合成模型融合
• 创新提出基于Cross-Attention的高效全查询注意力技术（EALLQA），降低KV cache

我们一项一项展开来看。

基于Cross-Attention的跨模态语音语言大模型

整体上，这个端到端语音语言大模型是基于Self-Attention的文心预训练大模型，采用自蒸馏的方式进行后训练得到。训练数据为文本和语音合成数据的混合。整个模型采用MoE结构。

关键点在于，在端到端语音识别中，声学模型也是语言模型，因此在整合语音识别和大语言模型的过程中，能够通过将大语言模型中的Encoder和语音识别的过程融合共享，达到降低语音交互硬延迟的目的。

而在语音领域，Cross-Attention天然具有跨模态优势：Decoder会显式地将Encoder输出纳入注意力计算，使得Decoder在每一个解码步骤都能动态访问最相关的输入向量，从而充分地对齐和利用跨模态信息。

基于Cross-Attention的高效全查询注意力技术（EALLQA）

不过，Cross-Attention的引入带来了另一个问题：MLA的位置编码技术，在Cross-Attention中容易出现不稳定的现象。

为此，百度语音团队提出了高效全查询注意力技术（EALLQA）：

采用创新的隐式RNN两级位置编码，训练时是在128空间上的MHA，推理时是在模型各层共享的512空间上的MQA（AllQA）。既充分利用了有限的训练资源，也极大地降低了推理成本。

从具体效果上来说，EALLQA技术能使KV cache降至原来的几十分之一，并将Cross-Attention的最近上一个问题的KV计算降至原来的十分之一，极大降低了语音交互时用户的等待时间和模型推理成本。

降低成本的另一个关键，则是Encoder和语音识别系统的融合：对Query理解的模型较小，能极大减少KV计算。

流式逐字的LLM驱动的多情感语音合成

训练、推理成本的降低之外，端到端语音语言大模型还通过语音模型和语言模型的融合，实现了文体恰当、情感契合、自然流畅的合成音频的生成。

一方面，研发团队通过大规模文本-语音数据自监督预训练，构建语义+韵律的离散化特征空间，通过双层GPT-like Transformer，实现了韵律、音色双Prompt控制机制。

另一方面，在此基础之上，研发团队推出了语音语言大模型与合成一体化流式逐字合成。

有别于传统语音合成的整句输出，流式逐字相当于一个字一个字地合成。在这个过程中，语言大模型能够指导语音模型去生成情感、停顿，识别多音字等等，实现更为拟人、自然的语音合成效果。

需要注意的是，人耳接收信息实际上是一个字一个字地接收，但对于AI而言，如果1个token接1个token的输出，就需要解决并发的问题，以使MoE架构最大程度发挥作用。

流式逐字合成要解决的核心问题，就是在适配人听力的基础上，实现高并发。

通过引入流式逐字合成，百度端到端语音语言大模型有效提升了语音交互的响应速度，同时降低了语音交互领域使用大模型成本。与大模型融合的TTS文体风格情绪控制，还可以根据文本输出自适配的情况，情感覆盖达到17种。

简单总结一下，百度的端到端语音语言大模型，一方面是重点解决了大模型应用于语音交互场景成本高、速度慢的问题。

另一方面，大语言模型带来的语义理解等能力，也解决了传统语音交互中，同音字识别、打断、真实情感等痛点。

贾磊透露，目前，整个端到端语音语言大模型在L20卡上即可部署，在满足语音交互硬延迟要求的情况下，双L20卡并发可以做到数百以上。

极低成本是关键

说了这么多，最主要的关键词其实就是：低成本。

在与贾磊的进一步交流中，他向我们强调了降低成本的重要性：

• 极低成本就意味着大规模工业化变得非常容易。
• 2025年，大模型的核心并不在于展示什么新功能，而是能以多快速度真正应用到国计民生中去。

在不考虑计算资源的情况下，实时语音交互有其他路径可以实现，但“我们今天是第一个做到跨模态端到端极低成本解决语音问题的”。

贾磊还表示，希望语音领域的这一突破创新能被行业更多地关注到。

• 我们想要把核心技术分享出去，告诉大家我们是怎么做的，以此推动整个领域的爆发。

事实上，不仅是百度，在包含语音的大模型能力对外输出上，国内外厂商都将价格视作突破口。

OpenAI就专门从性价比出发，推出了GPT-4o mini audio，希望以更低廉的价格打入语音应用市场。

2025年，基础模型方面，模型厂商在推理模型上争相竞逐，而其带来的最直接的影响之一，是人们对于大模型应用加速爆发预期的持续升温。在这个过程中，我们可以看到，站在模型厂商的角度，更多的模型在被开源，更多的服务在免费开放，用户认知、关注的争夺之中，成本本身正在变得更加敏感。

更不用提成本即是大规模应用的关键：不仅是在模型厂商们的APP上，还要进一步走进手机、汽车……

正如DeepSeek在基础模型领域搅动池水，现在，百度也在语音领域迈出关键一步。

成本，正在成为当前阶段模型厂商获得主动权的重要突破口。

One More Thing

从文小言的语音交互架构图中还可以看到，它像是个语音版百度搜索。

正如文章开篇我们体验到的，文小言能结合当前的季节对用户问题给出更合理的回答。实际上，在语音功能中，文小言已经支持多垂类助手能力，包括天气、日历查询、单位换算、股价股票等信息查询内容，共计38个垂类。

还支持DeepQA RAG问答，包含百度查询等时效性问答内容，能结合检索结果，做到更精准的指令跟随；支持DeepQA非RAG问答，包含常识问答等非时效性问答内容。

“有问题，问小言”的这个“问”字，确实是越来越接近人类原本的交互习惯了。

这实际也是产业趋势的一种映射——

之前都是大模型技术探索，需要不断适配才能落地产品、形成应用，最后被用户感知。

现在这是大模型技术和产品应用，几乎在同时对齐，技术推进的时候就瞄准了应用场景，应用场景也能催生更适合的技术，不是锤子找钉子，而是锤子钉子同时对齐。

大模型依然是AI世界的核心，但天下却正在变成应用为王的天下。

百度，或者说中国AI玩家，开始找到自己的节奏了。

— 完 —