3月31日，新一期百度AI DAY上，百度發布業界首個基于全新互相關注意力(Cross-Attention)的端到端語音語言大模型，并宣布文小言完成品牌煥新與功能升級，率先接入該模型，同時將支持多模型融合調度、圖片問答、AI生圖生視頻等多項能力。

?百度AI產品創新業務負責人薛蘇強調：“AI的未來不再是單純的技術參數比拼，而是如何通過多模型協同，真正為用戶創造價值。文小言希望通過開放生態，整合頂尖模型能力，做出更強大、更簡單的AI產品。”

據悉，文小言此次升級的核心亮點在于“多模型融合調度”，通過整合百度自研的文心X1、文心4.5等頂尖模型，并接入DeepSeek-R1、可靈等第三方優質模型，實現多模型間的智能協同。用戶只需選擇“自動模式”，即可一鍵調用最優模型組合，或根據需求靈活選擇單一模型完成特定任務，大幅提升響應速度與任務處理能力。

比如在被要求“設計三種風格的南偏東客廳效果圖”時，文小言能夠精準解析裝修風格差異，調用文心X1完成深度推理，生成三幅風格迥異但視角一致的裝修效果圖；隨手拍攝一張茅臺鎮的照片，文小言就可以調用文心4.5的多模態分析能力，精準識別出地理位置、當地產業、建筑風格等詳細信息。

文小言還進一步提升了全新語音大模型、圖片問答、AI生圖生視頻等能力，全面優化用戶體驗。

?全新語音大模型支持方言對話、復雜知識問答及隨時打斷等場景，用戶可進行語音知識問答或趣味角色扮演。

百度語音首席架構師賈磊透露，該模型是百度在業界首個推出、基于全新互相關注意力(Cross-Attention)的端到端語音語言大模型。在語音場景滿足一定交互指標下，大模型調用成本比行業平均降低50%-90%，推理響應速度極快，將語音交互等待時間壓縮至1秒左右，極大提升了交互流暢性。同時，在大模型加持下，實現了流式逐字的LLM驅動的多情感語音合成，情感飽滿、逼真、擬人，交互聽感也得到極大提升。

圖片問答功能，則讓用戶可以通過拍攝或上傳圖片，以文字或語音提問直接獲取深度解析。例如，拍攝一道數學題可實時生成解題思路與視頻解析；上傳多款商品圖可對比參數、價格，輔助購物決策；拍攝杯子設計圖后，AI可自動解析風格并生成同款手機殼、支架等周邊產品。

值得一提的是，新增的“圖個冷知識”功能更富趣味性，用戶可預設“歷史學者”“科技達人”等人設視角，為同一圖片賦予多維解讀。例如，當用戶詢問“貓窗探秘，為何貓愛窗邊的科學真相"，文小言能從狩獵本能、能量獲取、領地意識等角度給出獨特解讀。