一款基于Cross-Attention架构的跨模态语音大模型近日进入市场，其核心卖点是把语音交互的响应时延压缩到接近真人对话的水平。该产品同时提供多方言识别、情感化语音合成以及联网问答能力，并公布了Pro与Lite两档API定价。
跨模态架构如何把等待时间从3-5秒降到1秒
该模型采用业内创新的Cross-Attention技术路径，在对话流程中把用户等待时长由行业常见的3至5秒缩减到1秒左右。官方称这一响应速度可比拟真人对话，并视其为行业标杆。与拼接多个模块的传统方案不同，它被描述为真正的端到端跨模态语音大模型，可直接从原始语音中提取情绪与语气信息，进而理解用户意图和情境要求。
方言识别、智能打断与降噪构成交互底座
在识别侧，系统可精准识别中文普通话，并覆盖重庆、广西、河南、广东、山东等多地方言，支撑跨地域的多方言交流。交互控制方面，产品支持智能打断与智能降噪，能够进行发言人声纹识别，在背景噪音和音乐干扰下仍可提升语音打断的判断准确率与抗干扰能力。官方同时给出多场景知识应答能力：集成38个垂类助手功能，可回答时效性问题，处理天气查询、单位换算、股价查询等需求，并体现联网检索与指令遵循水平。
超拟人合成与极致共情指向情感陪伴场景
合成环节融入大语言模型，使音频听感更自然流畅，语气贴合情境，情感更接近真人，语调更具韵律。模型还能感知原始语音携带的情绪与语气，服务于情感陪伴、社交娱乐等场景。在助手形态上，它支持实时联网查询与复杂指令执行，定位为可深度理解需求的智能全知助手。
Pro与Lite两档API定价及免费额度
商业化方面，端到端语音语言大模型（Pro）预付费提供500千tokens免费额度，有效期1年，并发量10并发并支持扩容，附7×24小时技术支持；200万tokens售价350元。Pro后付费同样给出500千tokens免费额度、10并发（可扩容）与7×24小时支持，输入音频按0.064元/千tokens计费。Lite预付费的免费额度、有效期、并发与支持条款与Pro一致，200万tokens价格为70元；Lite后付费输入音频为0.016元/千tokens。此外还有搜索增强服务：预付费提供1000次免费调用量、有效期1年、7×24小时支持，10000次售价352元；后付费按0.036元/次计，同样含1000次免费调用量。
另据官方页面信息，人工智能品类当前有特惠活动，语音产品折扣低至1折。
小结：该产品的技术差异点在于用Cross-Attention把端到端语音交互时延压到约1秒，并以0.016元/千tokens起的Lite后付费价格降低试用门槛。对需要方言识别、情感陪伴或实时语音助手的开发者而言，500千tokens免费额度可作为验证起点。