智元发布 WITA-Omni：机器人终于不只会“接话”

智元在 11 月 10 日晚正式发布 WITA-Omni（硅光动语全模态大模型），把触觉、本体状态、语音、视觉等输入，与语音、动作、表情等输出放进同一个端到端交互模型中统一处理。按照智元的说法，这是行业首个“具身全模态端到端交互大模型”，最快交互响应约 400 毫秒，平均约 600 毫秒。(ithome.com)

**WITA-Omni 是一个面向实体机器人的全模态交互模型。**它不只负责理解用户说了什么，还要结合用户朝向、嘴唇是否在动、机器人当前姿态、身体传感器状态以及现场上下文，决定该不该回应、什么时候回应、回应谁，并同步生成声音、表情和身体动作。

这比给机器人装一个语音助手难得多。

传统机器人交互系统通常是一条串行流水线：摄像头和麦克风先采集信息，语音识别模块转成文字，大语言模型生成回答，语音合成模块再把文字念出来，最后由动作系统匹配一个预设手势。任何一个环节慢半拍，最终效果都会像视频会议中的延迟——内容可能是对的，但节奏、眼神和动作全错了。

WITA-Omni 想做的，是把这条流水线压成一次连续生成。

不只是多一种输入，而是重写机器人的交互闭环

**具身全模态是指模型能够在统一时间轴上处理与机器人身体及物理环境有关的多种信号。**在 WITA-Omni 中，输入不再局限于文字、画面和声音，还加入了触觉与本体状态；输出也不只是文字或语音，而是扩展到机器人动作、头部姿态和面部表情。

这里最值得关注的是“本体状态”。

**本体状态是机器人对自身身体状态的内部感知。**它通常包括关节位置、运动速度、身体姿态、接触状态和执行器反馈等信息，相当于人类闭着眼睛也知道手臂抬到了哪里。没有本体状态参与，交互模型虽然能生成一句礼貌回答，却不知道机器人此时是否正在转身、手臂是否被占用，或者已经与用户握上了手。

触觉则补上了视觉和听觉难以覆盖的物理反馈。例如，机器人伸手握手时，摄像头可以看到对方伸出了手，但触觉才能确认是否真正接触、力度是否合适，以及对方是否已经松手。把这类信号送进交互模型，理论上可以避免机器人嘴上说“很高兴见到你”，手却悬在半空，或者对方已经松手后仍然保持握手姿势。

| 对比维度 | 传统串行机器人交互 | 通用实时多模态助手 | WITA-Omni 的目标形态 | |---|---|---|---| | 主要输入 | 语音、文字，部分加入视觉 | 语音、文字、图像或视频 | 语音、视觉、触觉、本体状态及上下文 | | 主要输出 | 文字、语音、预设动作 | 文字和语音为主 | 语音、动作、表情、FaceUI 可视化 | | 处理方式 | 多模块依次调用 | 模型实时理解并生成语音 | 多路输入输出在统一时间轴上生成 | | 回应对象判断 | 依赖唤醒词或固定规则 | 通常依赖用户主动发起会话 | 综合朝向、声纹、唇动、姿态和语义判断 | | 身体状态参与决策 | 较弱，常由独立控制器处理 | 基本没有 | 本体状态直接作为模型输入 | | 典型问题 | 延迟高、动作与语言脱节 | 能对话，但不理解机器人身体 | 工程复杂度和安全验证难度更高 |

Thinker、Talker之外，多了一个真正管身体的Actor

**Thinker–Talker–Actor 是 WITA-Omni 用于统一推理、语音生成和具身表达的模型架构。**Thinker 负责融合文本、图像、音频和音视频信息，完成跨模态理解与交互决策；Talker 根据 Thinker 的中间状态流式生成自然语音；Actor 则通过动作头和表情头生成身体动作与面部表情。

Actor 是这次发布最有区分度的部分。

在常见的语音助手或数字人系统中，动作往往是语言生成完成后的附属效果：系统先判断回答属于“开心”，再从动作库中选一个微笑或挥手动画。动作没有真正参与回答的形成，只是在答案上叠了一层包装。

WITA-Omni 的思路是把动作和表情提升为与语音并列的一级输出。机器人说“欢迎光临”时，声音、转头、注视、微笑和伸手不再由五个模块各自决定，而是由同一个认知状态共同驱动。智元此前披露，该模型在中训练阶段使用了千万小时级的开源及自有多模态数据，并额外构建保留声音、画面、动作、表情和轮次切换关系的真实交互数据。(ithome.com)

这条路线的价值不在于让机器人拥有更多花哨表情，而在于解决时序对齐。

人类对机器人的“违和感”经常来自几十到几百毫秒的错位：回答已经开始，机器人却还没有抬头；一句话说完后，手势才做到一半；用户正在思考，机器人却误以为对话结束并抢先插话。模型如果不能在同一时间轴上处理语音和动作，参数再大也很难获得自然的在场感。

最快400毫秒，但平均600毫秒更值得看

**流式全双工是指系统能够同时接收用户输入并持续生成回应，而不必等待对方完整说完。**WITA-Omni 可以边听、边想、边应、边动和边做表情，也允许用户在机器人说话时插话或打断。

智元公布的最快响应时间约为 400 毫秒，平均响应约为 600 毫秒，并称其速度较业内平均水平快近 3 倍。(ithome.com)

400 毫秒足以进入接近自然对话的区间，但“最快”通常只代表理想条件，平均 600 毫秒才更接近实际体验。按照“快近 3 倍”的官方口径倒推，对比对象可能处在约 1.8 秒量级，不过智元目前没有公开测试硬件、网络条件、统计口径和对照系统，这个数字暂时不能当作严格的横向跑分。

另一个值得注意的细节是，智元在今年 5 月披露 WITA 路线时，曾提出将端到端交互时延压缩至 500 毫秒以内；正式版本此次给出的结果是最快约 400 毫秒、平均约 600 毫秒。(m.ithome.com) 这不一定意味着目标落空，因为首Token响应、完整语义响应和动作启动时间可以采用不同定义，但也说明机器人实时交互仍然高度依赖测量口径。

真正决定体验的并不是一次演示能否跑到 400 毫秒，而是机器人连续工作数小时后，在嘈杂环境、多人对话、远距离拾音和复杂动作并发情况下，P95 或 P99 延迟是否依然稳定。智元目前没有公布这些尾延迟数据。

不用唤醒词，前提是机器人真的知道谁在和它说话

**全模态拒识是指模型主动判断当前声音或行为是否面向机器人，并对无关输入保持沉默。**WITA-Omni 不要求用户反复说固定唤醒词，而是综合对话朝向、视频、音频、声纹、唇动、姿态、语义和历史上下文，判断当前发言是否需要回应。

这项能力比识别一句话的含义更难，因为真实场景中绝大多数声音都不是命令。

商场导览机器人旁边可能有人打电话，电视正在播放广告，孩子在远处喊叫，两名顾客还可能互相讨论“要不要问一下机器人”。如果系统只做语音识别，它会听懂所有声音，也可能对所有声音作出回应。所谓“看场合”，本质上是让模型先判断自己是不是对话参与者。

拒识能力也是 WITA-Omni 能否商业化的关键指标之一。机器人偶尔答错一个知识问题，用户通常可以接受；但机器人频繁误插话、偷听式回应或者把旁人的对话当成指令，会迅速破坏信任。对服务机器人来说，“知道什么时候闭嘴”往往比“什么都能回答”更重要。

不过，智元目前主要公布了能力描述，没有披露多人交谈环境中的误触发率、漏响应率和目标说话人识别准确率。全模态拒识听起来合理，是否真的比唤醒词可靠，还需要第三方测试。

上百种语言只是基础，方言同传才是现实场景需求

**流式同声传译是指系统在说话者尚未结束发言时，就持续生成另一种语言的翻译结果。**WITA-Omni 支持上百种语言和方言免切换交流，并提供语言传译、方言传译与双向互译。(ithome.com)

这项能力对机器人比对手机更有价值。

手机翻译的用户通常愿意点击按钮、切换语言并等待几秒，但导览、接待、展会和零售场景要求机器人持续面对不同用户，不能每换一个人就重新设置语言。如果系统能根据语音自动识别语言，并在说话过程中同步翻译，机器人才能真正承担跨语言接待岗位。

方言则是更棘手也更实用的需求。方言识别不仅涉及发音差异，还包含地方词汇、语速和语境变化。智元暂未公布具体覆盖哪些方言，也没有提供翻译准确率、语音自然度或方言测试集成绩，因此“上百种语言和方言”现阶段更像能力范围声明，而不是经过充分量化的性能结论。

表情不是装饰，而是低带宽的交互反馈

**参数化表情是通过可连续调节的面部控制参数，生成不同类型和强度的机器人表情。**WITA-Omni 可以表现开心、惊讶、激动、悲伤、满意、痛哭、认真和自信等数十种情绪，同一种情绪还可以呈现不同强度。

表情的实际作用，是在语言生成之前提供即时反馈。

机器人如果需要 600 毫秒才能开始说话，可以先在数十毫秒内转头、注视或轻微点头，让用户知道它已经听见。这个机制类似人类交谈时的“嗯”“点头”和目光回应，信息量不大，却能显著减少等待感。

WITA-Omni 还可以在机器人面部屏幕上实时生成可视化内容。智元将这项能力称为 Intelligent FaceUI：当语言不足以清楚解释产品结构、路线或科普概念时，系统可以主动决定展示图形信息。它让机器人的屏幕不再只是固定表情面板，而成为模型可调用的表达通道。

这套设计对导览和零售比家庭陪伴更容易产生短期价值。机器人可以一边介绍商品，一边在屏幕展示规格差异；也可以在机场回答路线问题时直接画出方向，而不是连续说出一串容易忘记的路口信息。

85.21分证明了感知能力，但没有证明整机体验

**DailyOmni 是一个测试音视频时序对齐和跨模态联合推理能力的评测基准。**今年 7 月，WITA-Omni Preview 以 85.21 分位列 DailyOmni 全模态理解榜单第一，并在八项细分指标中的六项取得第一。(ithome.com)

这个成绩说明 WITA-Omni 在音频与画面的联合理解上具备竞争力，但不能直接等同于机器人交互效果第一。

DailyOmni 主要检验模型能否理解真实音视频中的事件顺序、声音来源和声画关系，而正式版新增的触觉、本体状态、动作生成、表情生成、拒识和主动交互能力，尚未看到对应的公开第三方评测。换句话说，Preview 的榜单成绩验证了“看懂和听懂”，却还没有完整验证“该不该回应”和“身体应该怎么动”。

正式版本还缺少一些开发者真正关心的信息：模型参数规模、上下文长度、机器人端侧算力要求、量化方案、部署功耗、支持的本体型号、定制训练方式、授权模式和价格均未公开。对于一款面向具身场景的模型，600 毫秒响应究竟是在云端、边缘服务器还是机器人本体上实现，也会直接影响它的商业价值。

智元的优势，是模型可以迅速进入真实机器人

**WITA-Omni 的竞争力不只来自模型本身，还来自智元已经形成的机器人本体和场景部署体系。**纯模型公司可以做出更强的多模态理解能力，但很难获得大规模、带有动作和传感器信息的真实交互数据；纯硬件公司则可能拥有机器人，却缺少统一训练和持续迭代模型的能力。

智元选择把交互智能、作业智能和运动智能拆成相互协同的“三智”，WITA-Omni 负责人与机器人之间的交流，作业模型负责完成具体任务，运动模型负责控制身体。这个分工比让一个模型包办所有能力更现实，也更容易定位安全问题。

WITA-Omni 最可能率先落地的不是通用家庭机器人，而是导览、零售、展演、接待和公共服务。这些场景对自然交互的价值较高，任务边界相对明确，也允许机器人通过屏幕、语音和有限动作完成服务。相比之下，家庭环境涉及隐私、儿童安全和高度开放的物理操作，对拒识准确率和动作安全性的要求更高。

这次发布真正改变的是“机器人什么时候行动”

WITA-Omni 的核心进步，不是给机器人增加了一块更会聊天的大脑，而是尝试让语言、感知和身体第一次共享同一个交互节奏。

过去的大模型主要解决“应该回答什么”，机器人模型则进一步需要解决四个问题：谁在对我说话、我现在能不能行动、应该什么时候开始行动，以及语言和身体如何保持一致。触觉与本体状态进入模型，意味着后两个问题开始被放进统一学习框架，而不再完全交给外围规则处理。

这条路线很有价值，但发布仍然带有明显的第一方展示色彩。400 毫秒响应、全模态拒识、上百种语言和主动交互都需要更透明的测试方法，尤其是误触发率、连续运行稳定性、动作安全和本体部署成本。

截至 2026 年 11 月 10 日晚，WITA-Omni 已经展示了一个比“会说话的机器人”更完整的产品方向：机器人不只生成答案，而是持续判断自己是否应该进入一段互动，并用声音、眼神、屏幕和身体共同完成回应。

如果这套系统能在真实商业环境中稳定复现，而不只是发布会演示，WITA-Omni 会比一次榜单登顶更重要。它可能成为机器人从命令执行设备变成现场交互主体的分界线。

参考来源

• IT之家：智元正式发布 WITA-Omni——整理正式版本的响应延迟、全双工、拒识、多语言、表情及主动交互能力。
• IT之家：WITA-Omni Preview 登顶 DailyOmni——包含 85.21 分榜单成绩、Thinker–Talker–Actor 架构和训练数据说明。
• IT之家：智元 WITA 大模型完成备案——记录 WITA 的早期产品规划及 500 毫秒以内响应目标。
• 知乎：WITA-Omni Preview 技术路线整理——补充 Thinker、Talker、Actor 分工及 SFT、OPD、RL 三阶段训练策略。