阿里通义大模型发布了新一代端到端语音交互模型Fun-Audio-Chat，该模型在多个榜单上表现优异，综合性能超过同类产品。Fun-Audio-Chat采用端到端S2S架构，双分辨率设计，并经过百万小时多任务数据训练，能够感知用户情绪并完成复杂任务。
12 月 23 日消息，阿里通义大模型今日发布了新一代端到端语音交互模型 Fun-Audio-Chat。
阿里通义本次开源了 Fun-Audio-Chat 8B，该模型在 OpenAudioBench、MMAU、Speech-ACEBench、VStyle 等多个榜单上“同尺寸模型排名第一”，综合性能超 GLM4-Voice、Kimi-Audio、Baichuan-Omni 等。
IT之家附 Fun-Audio-Chat 技术亮点如下：
- 端到端 S2S 架构：从语音输入直接生成语音输出，无需 ASR + LLM + TTS 多模块拼接，效率更高、延迟更低。
- 双分辨率设计：Shared LLM 层以 5Hz 帧率高效处理，SRH 以 25Hz 帧率生成高质量语音，GPU 计算开销降低近 50%。
- 百万小时多任务数据训练：覆盖音频理解、语音问答、情感识别、工具调用等真实场景，让模型更“接地气”。
阿里通义表示，Fun-Audio-Chat 可以提供“像朋友一样的对话体验”，感知用户的情绪，哪怕用户没直接说情绪，它也能从语气、语速、停顿里猜出心情，然后给出回应。
此外，Fun-Audio-Chat 可完成复杂任务，用户只需用自然语音下达指令，它就能自动调用函数。
IT之家附 Fun-Audio-Chat 8B 开源地址如下：
- GitHub：https://github.com/FunAudioLLM/Fun-Audio-Chat
- HuggingFace：https://huggingface.co/FunAudioLLM/Fun-Audio-Chat-8B
- ModelScope：https://modelscope.cn/FunAudioLLM/Fun-Audio-Chat-8B
- Demo Page：https://funaudiollm.github.io/funaudiochat