2026年11月13日，腾讯混元发布全新实时语音模型Hy Realtime，把语音对话从“能说”推向“会查、会唱”。新模型在语音理解、指令遵循、拟人化表达的基础上，新增Agentic工具调用与唱歌能力，已在元宝语音通话、腾讯客服上线，近期将登陆腾讯云对外提供API服务。
含糊、半截话也能听懂
现实里的对话很少工整：口齿含糊、话说半截、中途改口纠正自己。Hy Realtime的做法是结合对话上下文还原意图，官方称多轮指令遵循与上下文管理也做了增强，长对话里依然能稳定跟住用户的意思。响应生成时文本构成与语音合成同时进行，不用等整句写完再开口，等待感因此缩短。训练上，官方披露高质量文本数据向语音任务迁移的有效保留率从21%提升到69%，约3.3倍，这是它敢接复杂口语指令的底气之一。
能自己决定要不要联网查
除了基础对话，Hy Realtime新增了工具调用能力：它根据对话上下文与用户意图判断是否执行联网搜索，搜索决策、调用工具与生成回答由模型统一完成，用户只管说话，不用先想好“该不该搜”。唱歌能力来自与腾讯音乐TME灵音AI团队的深度联合设计，自然语言点歌可以指定歌手、风格、语言、发行年份，歌声直接融进对话。体验入口已经给了两个：最新版腾讯元宝App语音通话里选“初语”音色，或打开网页Demo试部分能力。
谁先用得上，还有什么没给
对普通用户，变化先落在元宝语音通话与腾讯客服里：查资料、问问题不用再打字切换；对开发者，真正的入口是即将上线的腾讯云API，定价与开放时间还没公布。边界也要说清：双工交互、长期个性化记忆、前后台Agent交互都还在官方路线图里，不在这一版。实时语音的竞争已经不只看“像不像人”，能不能在对话里直接调工具、查到最新信息，正在变成新的分水岭。
接下来看三个时间点：腾讯云API何时上线、按什么价格开放；真实对话里的延迟与稳定性表现；以及双工交互与长期记忆何时落地。元宝App的“初语”音色现在就能试，先听听它处理半截话与改口的表现，比看参数更直接。
