電子發燒友網報道（文/莫婷婷）隨著大模型技術的迅猛發展，人機交互正經歷從“工具式響應”向“擬人化陪伴”的深刻變革。在這一進程中，語音交互作為最自然的人機溝通方式。
?
百度智能云泛科技行業解決方案總監孫穎欣在地瓜機器人的DDC2025 人機交互分論壇上指出，大模型時代的交互方式經歷了三個關鍵階段的演進：第一階段是文本、語音交互第二階段是多模態融合交互，結合語音、視覺、動作等多通道信息提升交互體驗；第三階段則是復雜任務下的主動自主交互，由此催生了陪伴機器人、AI寵物等新型智能硬件形態。
?
在情感陪伴場景中，擬真互動需滿足四大核心要素：一是低時延，響應控制在400到600毫秒內，超過這個范圍，體驗就會下降；二是有感情且帶記憶；三是有個性，例如音色、內容風格具備獨特人格特征；四是主動性。這四大要素共同構建了“真實感”與“親密感”，成為新一代AI硬件成敗的關鍵。
?
為支撐這一趨勢，百度智能云聯合地瓜機器人的計算芯片旭日3和旭日5打造了多款語音交互方案，包括多模態互動框架方案、端到端語音交互方案等，可以面向不同產品定位的AI硬件。
?
?
多模態互動框架方案采用的“ASR + 大模型 + TTS”三段式架構，資源層是全球RTN網絡，以及GPU/CPU算力，在此基礎上深度融合了聲紋識別、情緒識別、長期記憶及視覺理解等能力。其既支持百度自研的文心大模型，也允許接入第三方語言或視覺模型；同時無縫對接百度百科、音樂、教育等垂類資源。
?
百度智能云的端到端語音大模型方案是業界首個基于Cross-Attention的語音語言大模型的方案，不再將語音先轉為文本再輸入模型，而是直接將原始音頻信號（含音色、語調等）作為大模型輸入，基于Cross-Attention的語音語言大模型，實現音義聯合建模，使模型能精準捕捉“弦外之音”與情緒狀態，解決了傳統級聯式鏈路“情感丟失、延遲高、打斷體驗差”等痛點。
?
端到端語音大模型方案采用高效的全查詢注意力EALLQA技術，Encoder與語音識別結合、Decoder與語音合成結合，可以實現對用戶question的極速理解，計算量顯著降低10倍。
?
孫穎欣介紹，端到端方案的一大優勢是場景泛化能力強。在近場（如智能音箱）可提供細膩情感反饋；在遠場則通過前端聲學優化與噪聲建模，確保在電機轟鳴、多人交談等復雜環境中依然精準拾音。例如掃地機器人等高噪聲場景，通過百度云端到端語音大模型方案的“原生抗噪”能力，可以把掃地機工作時的日常噪聲過濾掉，大幅降低了硬件端的麥克風陣列與降噪算法成本。
?
?
?
孫穎欣指出，面對AI陪伴場景，沒有最好的方案，只有最合適的路徑。例如多模態互動框架方案特別適合需要豐富內容生態與定制化開發的AI玩具、兒童陪伴機器人等產品，還能夠構建面向智能家居、AI眼鏡穿戴場景。未來，隨著大模型持續進化與芯片算力提升，語音交互實現從“功能實現”向“情感連接”的跨越。
?
?