阿里开源 Fun-Audio-Chat，会共情的语音大模型来了。。。

今天刷到一个事，有点意思：阿里又扔了个开源语音大模型，名字叫 Fun-Audio-Chat，是通义团队的新一代端到端语音交互模型，直接对标 GPT-4o、Gemini 那一挂的语音能力，而且一上来就开源了权重和代码。

它的核心卖点就俩：延迟低、还能听情绪。以前那种语音→文字→大模型→语音的老流水线，你肯定见过，说一句话要等半天它才慢悠悠回你一段机械音。Fun-Audio-Chat 走的是 S2S 架构，你开口它就一边听一边想，一边开始说，人类视角感受就是：终于不像机器人，而是个人在跟你唠嗑。

它里面有个挺骚的设计，叫双分辨率：底层用 5Hz 的低帧率跑大部分计算，上面再挂一个 25Hz 的精细语音头负责细节和情绪，这一套下来，算力能省将近一半，但语音质量和情绪表达还能拉满，多项语音 benchmark 里都是 8B 量级的第一梯队。

功能上大概可以粗暴理解成四件事：你说话，它能帮你总结语音内容；你下口头指令，它能走工具链路帮你完成任务；它能听出你是在着急还是委屈，回复的语气也会跟着变；最后，它回你的也是自然语音，而不是让你盯着一堆字。

对开发者比较爽的是，它是真·开源：Fun-Audio-Chat-8B 的模型、训练 / 推理代码、技术报告，都摆在 GitHub 和 HuggingFace 上，Apache 2.0 协议，想接到车机、耳机、机器人、智能客服，都可以自己玩，不再完全被闭源语音大模型锁死。

当然，现在它也不是万能的，极端噪音、多轮长对话、复杂任务编排，估计还得靠别的系统兜底。但方向很清楚了：语音这条赛道开始从「谁听得最清楚」变成「谁更像一个真正在跟你说话的人」。

技术细节和测评成绩，官方仓库和技术报告里都有，有兴趣可以自己去扒一扒。

反正站在普通用户视角，我只在乎一件事：以后跟 AI 说话，能不能少一点“您好，请问需要什么服务”，多一点「你今天听起来有点累，要不要先歇一会儿」这种真正有点人味的回应。

阿里这次把 Fun-Audio-Chat 整套开源扔出来，大概就是在说：语音交互这场仗，开源阵营也要认真下场了。

-END-

我为大家打造了一份RPA教程，完全免费：songshuhezi.com/rpa.html