IT之家 3 月 31 日消息，在今日的百度 AI DAY 上，百度發佈首個基於全新互相關注意力（Cross-Attention）的端到端語音語言大模型，宣佈實現超低時延與超低成本，在電話語音頻道的語音問答場景中，調用成本較行業均值下降約 50%-90%。

日，文小言宣佈品牌煥新，率先接入該模型，還帶來多模型融合調度、圖片問答等功能升級。接入該模型后，文小言不僅能支援更擬真的語聊效果，而且支持重慶、廣西、河南、廣東、山東等特色方言。據介紹，語音大模型具備極低的訓練和使用成本，極快的推理回應速度，語音交互時，可將使用者等待時長從行業常見的 3-5 秒降低至 1 秒左右。

更新後的文小言還支援“多模型融合調度”，整合了百度自研的文心 X1、文心 4.5 等模型，並接入 DeepSeek-R1 等第三方優質模型，實現了多模型間的智能協同。用戶可以選擇“自動模式”，一鍵調用最優模型組合，也可根據需求選擇單一模型完成特定任務，提升回應速度與任務處理能力。

IT之家從活動中獲悉，文小言還加強了圖片問答功能，用戶拍攝或上傳圖片，以文字或語音提問即可直接獲取深度解析。例如，拍攝一道數學題可即時生成解題思路與視頻解析；上傳多款商品圖可對比參數、價格，輔助購物決策。

此外，文小言新增“圖個冷知識”功能，用戶可預設“歷史學者”“科技達人”等人設視角，為同一圖片賦予多維解讀。例如，當用戶詢問“貓窗探秘，為何貓愛窗邊的科學真相？”，文小言能從狩獵本能、能量獲取、領地意識等角度給出獨特解讀。

百度語音首席架構師賈磊透露，該模型是百度在業界首個推出、基於全新互相關注意力 (Cross-Attention) 的端到端語音語言大模型。“在語音場景滿足一定交互指標下，大模型調用成本比行業平均降低 50%-90%，推理回應速度極快，將語音交互等待時間壓縮至 1 秒左右，極大提升了交互流暢性。同時，在大模型加持下，實現了流式逐字的 LLM 驅動的多情感語音合成，情感飽滿、逼真、擬人，交互聽感也得到極大提升。”