我们使用原生方法深度融合语音与文本模态，交付真正意义上的端到端语音对话模型，使得模型具备超低延时、真人级别的语音表现、多模态I/O、多种能力涌现。同时，我们在面对智商、情商、表现力、安全等各维度的平衡上交付了一份较为满意的答卷，使千万用户的人机对话交互达到新的体验里程碑。