腾讯天籁 Tenlai 发布（来源：InfoQ 报道配图）
10月29日，腾讯在全球数字生态大会上正式发布天籁语音大模型 Tenlai，涵盖语音理解（Tenlai-ASR v1.0）、语音生成（Tenlai-TTS v1.0）及同声传译（Tenlai-LiveTranslate v1.0）三大核心模块。
此次发布的核心技术突破在于路线转向：将语音表征学习、内容生成与声音还原纳入统一的端到端流程进行联合优化，取代了传统识别、翻译、合成各自独立训练再拼接的模式。目前，该系列模型已接入腾讯会议、企业微信、QQ音乐等数亿用户级产品，并通过腾讯云对外开放。
ASR：攻克复杂会议场景的硬骨头
相较于单人清晰语音识别，多人会议室场景面临抢话、重叠发言、专业术语密集及声源距离不一等挑战。Tenlai-ASR v1.0 通过三层架构解决上述痛点：
说话人区分与分离
利用特征匹配对同一说话人音频进行分组，并通过时频域变换分离重叠语音。公开测试显示，兼顾「内容识别+说话人归属」的 CpWER 指标较行业基准降低 30%，说话人日志错误率（DER）从主流方案的 24% 降至 10% 以下。
声纹身份确认
企业版支持用户授权声纹后，系统在区分发言人的基础上精准匹配具体成员，准确率达 97%，并实现一端录入、多端识别。
多模态上下文辅助
在授权前提下，模型可识别共享屏幕文字，提取人名、项目代号等关键信息，结合会议主题、历史对话及领域词库辅助转写。内部评测显示，视觉辅助使专业词汇识别召回率提升 30%–40%，字错率（WER）相对降低 10%–20%。
此外，通过长音频多轮精修机制，结合前后文复核歧义片段。在多人讨论及专业知识密集型长视频场景中，WER 分别相对下降 20.7% 和 29.6%。这一转变标志着评估标准从「单句准确率」迈向「整场对话一致性」，旨在让会议内容更易被检索、复用及被 AI Agent 理解。
Tenlai-ASR 能力示意（来源：InfoQ 报道配图）
TTS：从「读对」进阶至「自然表达
Tenlai-TTS v1.0 突破传统仅关注发音准确率的局限，聚焦于语义表达与音色复刻：
- 情感与韵律表达：模型依据文本语义自动调整情绪、语气与节奏，适应安慰、讲述等不同场景；支持长文本层次处理、方言、中英混读及复杂公式朗读。
- 跨语言音色复刻：在获得授权前提下，保留参考声音特征，支持用同一音色输出中、英等多语种新内容，打破个性化声音仅能复述录音的限制。
技术上，腾讯采用发音准确性、情绪表现与音色还原共同训练的端到端方案，避免了拼接方案中误差逐级累积导致的听感割裂。
同传：端到端模型重塑实时翻译
Tenlai-LiveTranslate v1.0 将源语理解、语义翻译与译文语音生成整合至单一模型，实现边听边译。基于 RealSI 公开评测集及腾讯会议线上链路内测，中译英、英译中的首字时延缩短至 3–4 秒。
该模型支持零样本音色复刻，无需针对目标说话人额外训练即可生成保留其音色特征的译文，且延续原表达的语速、停顿与重音习惯。内部测试中，中译英、英译中的音色相似度（SpkSim）分别为 73.8 和 76.9。覆盖语种方面，除中英互译外，还支持中日实时互译，满足跨境业务需求。
Tenlai-LiveTranslate 端到端示意（来源：InfoQ 报道配图）
端到端方案虽消除了级联误差，提升了衔接自然度，但也牺牲了部分可解释性与模块替换灵活性。其在语义可预测的会议、演讲场景中表现优异，但在强对抗的自由辩论中仍面临挑战。
行业洞察与技术趋势判断
评价标准重构：语音产品评估已从单纯的 WER（字错率）转向对话的可复用性，包括说话人归属、上下文关联性及对 AI Agent 的友好度。
端到端的取舍：联合优化提升了自然度，但降低了可解释性。工程选型需权衡「故障定位难度」与「最终听感体验」。
合规边界凸显：音色复刻与同传技术的结合，使得「用你的声音说别人的话」成为可能。随着能力增强，声音授权与使用边界的管理将成为关键合规议题。
Tenlai 将语音视为听、说、译共用表征的整体系统，推动语音技术从单一功能向 AI 与人交互的核心通道演进。这一变化将直接冲击配音、字幕及翻译等传统工序，加速工作流的自动化转型。
Tenlai-TTS 能力示意（来源：InfoQ 报道配图）