通义端到端语音交互模型FunAudioChat发布，体验高效AI对话新范式

12月23日，通义大模型正式发布新一代端到端语音交互模型Fun-Audio-Chat。该模型隶属通义百晓语音模型系列，是其首个专注于“语音对语音”直接对话能力的模型，支持用户通过语音输入与模型进行多轮自然交流。

从多项技术评测数据来看，该模型在OpenAudioBench、VoiceBench、UltraEval-Audio、MMAU、MMSU、SpeechFunctionCall等多个权威语音与多模态评测基准上，均取得了当前开源模型中的领先成绩。其综合性能超越了多款同参数规模的模型，展现出其在语音理解、生成以及对话协同方面均衡而强大的综合能力。

Fun-Audio-Chat-8B是通义百晓语音模型家族的新成员。此前，该系列已包含语音转文字模型Fun-ASR和文字转语音模型Fun-CosyVoice3。与前两者不同，Fun-Audio-Chat-8B的核心目标是实现端到端的语音交互能力，能够直接应用于语音聊天、情感陪伴、智能终端交互以及语音客服等多种实际场景。目前，该模型已在魔搭社区、Hugging Face及GitHub同步开源。

在模型训练与架构设计方面，研发团队披露了两项关键技术路径。其一是采用了Core-Cocktail两阶段训练策略，通过分阶段引入语音与多模态能力，再与原有文本大模型参数进行融合微调。这种方法有效降低了新增能力对原有语言理解能力的干扰，缓解了“灾难性遗忘”问题。其二则是引入了多阶段、多任务的偏好对齐训练，使模型在真实语音对话中能更精准地捕捉语义与情绪线索，从而显著提升对话的自然度和流畅性。

算力效率是该模型的另一大亮点。Fun-Audio-Chat-8B采用了“压缩—自回归—解压缩”的双分辨率端到端架构，将音频帧率大幅降低至约5Hz。在保证语音合成质量的同时，这一设计有望节省近50%的GPU计算开销。在当前语音大模型普遍面临算力成本压力的背景下，这一优化具有重要的工程实践意义。

综合来看，Fun-Audio-Chat-8B的开源，标志着通义大模型在语音交互方向上，正进一步朝着“低算力、强对话”的实用化阶段推进。这同时也为开源语音大模型在真实业务场景中的部署与应用，提供了新的技术思路和实践参考。