百度发布ERNIE 5.0正式版与端到端语音语言大模型，重构AI问答语音交互体验

2025年11月25日，百度正式发布ERNIE 5.0大模型系列及业内首创的端到端语音语言大模型，标志着AI问答系统进入‘声纹即身份、语音即指令、对话即服务’的全新交互纪元。该模型基于Cross-Attention跨模态架构，彻底打通语音信号处理（ASR）、语义理解（NLU）、语音合成（TTS）与情感韵律建模四大环节，实现从原始音频波形到拟人化语音输出的全程端到端优化。实测显示，其在噪声环境（如地铁站、菜市场）下的语音唤醒准确率提升至99.2%，响应延迟压至420ms以内，远超行业平均800ms水平，为全天候、免触控的AI问答交互奠定技术基石。

技术突破体现在三重维度：其一，思维链（Chain-of-Thought）能力显著增强，ERNIE 5.0在复杂推理任务（如多跳法律条款适用判断）中推理步骤完整率较4.5版提升41%；其二，语音复刻实现‘5秒极速克隆’，用户仅需朗读1句样本，即可生成音色、语速、停顿习惯高度一致的个性化语音，已应用于银行VIP客户专属语音客服；其三，创新引入‘检索增强文生图’技术，在图文问答场景（如‘对比2023与2025年新能源汽车电池能量密度趋势图’）中，生成图表专业度达行业报告水准，有效去除‘AI味’。

该发布迅速赋能百度AI开放平台生态。截至2026年3月28日，已有超2.3万家企业调用其语音问答API，其中教育类客户占比34%，集中于‘口语作文智能评分’‘方言英语发音矫正’等高价值场景；政务类客户占比28%，典型应用为‘老年人语音政策查询’，通过简化交互门槛，使65岁以上用户使用率提升3.2倍。更值得关注的是，百度千帆平台同步上线‘语音问答Agent工作流’，允许企业将语音输入自动路由至CRM、ERP、知识库等后端系统，实现‘一句话完成工单创建+库存查询+物流跟踪’的全链路闭环。

这一进展意味着AI问答正突破‘文本界面’的物理限制，向真实人类交互的自然性、包容性与沉浸感全面靠拢。当语音不再只是输入通道，而成为承载身份、情感与意图的完整媒介时，AI问答的终极形态，将是那个无需唤醒词、不辨设备、不知疲倦，却始终懂你所想、应你所需的‘空气般存在’的智能伙伴。