成本最高降 90%！百度发布端到端语音语言大模型，已在文小言上线

3 月 31 日，百度发布业界首个基于全新互相关注意力(Cross-Attention)的端到端语音语言大模型，实现超低时延与超低成本，在电话语音频道的语音问答场景中，调用成本较行业均值下降约 50%-90%。当日，文小言宣布品牌焕新，率先接入该模型，还带来多模型融合调度、图片问答等功能升级。

文小言最核心的三个场景依然是：搜、创、聊，支持这三个核心场景下有各种模型和技术。相比产品本身形象的升级，最重要的有两件事情：开放和应用，即能够兼容各种优秀先进模型、把各种先进模型能力用

文小言除了视觉变化，内核已经从单引擎大模型驱动，变成由多模型引擎驱动。更新后的文小言支持“多模型融合调度”，通过整合百度自研的文心 X1、文心 4.5 等顶尖模型，并接入 DeepSeek-R1 等第三方优质模型，实现了多模型间的智能协同。

百度自研大模型不但能“看”，更能“说”和“听”，背后就是其端到端语音大模型。新的端到端语音模型体验比原来会很大的提升，比如能够识别儿童的含糊发音，理解能力更符合儿童的习惯。

接入全新的端到端语音语言大模型后，文小言不仅能支持更拟真的语聊效果，而且支持重庆、广西、河南、广东、山东等特色方言。据介绍，语音大模型具备极低的训练和使用成本，极快的推理响应速度，语音交互时，可将用户等待时长从行业常见的 3-5 秒降低至 1 秒左右。

用户可以选择“自动模式”，一键调用最优模型组合，也可根据需求灵活选择单一模型完成特定任务，大幅提升响应速度与任务处理能力。

同时，文小言还加强了图片问答功能，用户拍摄或上传图片，以文字或语音提问即可直接获取深度解析。例如，拍摄一道数学题可实时生成解题思路与视频解析；上传多款商品图可对比参数、价格，辅助购物决策；拍摄杯子设计图后，AI 可自动解析风格并生成同款手机壳、支架等周边产品。