智元发布WITA-Omni具身全模态大模型,交互响应最快400毫秒
智元11月10日发布WITA-Omni具身全模态端到端交互大模型,支持触觉、本体状态等输入及动作、表情输出,基于流式全双工架构实现边听边想边动,交互响应最快约400毫秒、平均约600毫秒,较业内平均快近3倍,并支持免唤醒词自然对话。
智元于11月10日晚间通过官方公众号宣布,正式推出WITA-Omni(硅光动语全模态大模型),官方称其为行业首个具身全模态端到端交互大模型。该模型面向机器人本体感知数据进行深度训练,定位是为物理世界打造的“交互大脑”。
与常规多模态模型相比,WITA-Omni在输入输出维度上做了扩展:除音视频外,新增触觉与本体状态等输入通道,输出侧则覆盖机器人动作与表情。这意味着模型不再局限于屏幕内的信息处理,而是直接参与机器人与物理环境的交互闭环。
在架构层面,WITA-Omni采用流式全双工设计,可同时进行听、想、应、动与表情生成,减少传统串行处理带来的等待。官方数据显示,其交互响应最快约400毫秒、平均约600毫秒,较业内平均水平快近3倍。同时,全模态拒识能力使机器人无需唤醒词即可自然对话,系统综合对话朝向、视频、音频、声纹、唇动、姿态、语义与上下文判断是否回应,在多人交谈或环境广播等场景下降低误触发。
语言能力方面,WITA-Omni支持上百种语言和方言的免切换交流,结合全双工架构实现流式同声传译,覆盖语言与方言传译及双向互译。情感表现上,机器人倾听时可通过表情与头部动作回应,表达时结合参数化面部表情、声音与肢体动作呈现几十种情绪,且每种情绪可展现不同强度。
从行业视角看,WITA-Omni将触觉、本体状态纳入端到端交互,并给出明确的响应时延指标,为具身智能的交互范式提供了新的参考坐标;其免唤醒与拒识机制的实际表现,仍有待真实场景验证。