智元机器人正式推出 WITA‑Omni，也就是硅光动语具身全模态交互大模型，官方定位它是面向人形机器人的原生端到端交互大脑，和普通多模态大模型不一样，它不只接收图文、语音，还能读取触觉、本体姿态这类机器人本体传感信号，同时把语音、面部表情、肢体动作当成同级别的输出，依靠流式全双工架构做到边听、边理解、边说话、边做动作，最快响应仅 400 毫秒，平均大约 600 毫秒，不用唤醒词就可以自动判断要不要回应、该和谁对话，还支持上百种语言加国内多种方言、同声传译，已经在 Daily‑Omni、TimeLens‑Bench、EmbSpatialBench、MMAU 四项权威评测拿到第一名，目前已经对首批合作客户开放部署，后续还会推进海内外规模化落地。整套模型采用 Thinker‑Talker‑Actor 一体架构，先由 Thinker 持续融合视觉、声音、触觉、姿态感知，实时理解现场环境与人的意图；Talker 负责生成带情绪、语气的语音内容；Actor 同步输出表情与肢体动作，三者共用同一套理解结果，不会出现语言和动作脱节的情况；训练阶段使用千万小时级多模态素材加上真实人机交互数据，经过监督微调、同策略蒸馏、强化学习多轮打磨，学会在嘈杂环境、多人对话里面区分说话人，过滤不需要应答的杂音。想要落地这套模型，可以对接智元远征系列人形机器人，也可以作为独立交互底座接入其他具备视觉、音频、动作执行能力的机器人平台；部署之后可以开启全模态拒识，不用喊唤醒词，依靠唇动、朝向、声纹、语义综合判断触发交互；长期迭代还会持续增强长期记忆、情感表达，配合灵渠操作系统一起使用。总的来说，WITA‑Omni 的核心价值就是把机器人交互从一问一答的串行模式，拉到接近真人实时对话的水平，让人形机器人在展厅、服务、巡检等场景的自然交互能力大幅提升。
- 基础架构与核心规格
- 架构名称：Thinker‑Talker‑Actor 原生端到端具身架构
- 输入通道：语音、视觉、文本、触觉、机器人本体姿态传感
- 输出通道：语音、情绪音色、面部表情、肢体动作指令
- 交互模式：流式全双工，支持中途插话、打断、实时纠正
- 响应时延：最快约 400 ms，平均约 600 ms
- 语言能力：支持 100+ 语言、29 种方言，自带同声传译
- 特色能力：全模态拒识，无需唤醒词自动判定交互时机
- 四项拿到第一的评测清单
- Daily‑Omni：音视频时序对齐、联合事件理解
- TimeLens‑Bench：长时序事件推理
- EmbSpatialBench：空间感知与空间推理
- MMAU：多模态音频视频联合理解
- 训练迭代流程
- 阶段一：海量多模态预训练，对齐画面、声音、事件时序关系
- 阶段二：监督微调，学习标准人机交互范式
- 阶段三：同策略蒸馏，脱离提示词，直接从现场感知自主决策
- 阶段四：强化学习，优化应答分寸感、情绪匹配、动作协同
- 适配硬件与配套系统
- 适配本体：智元远征 A3 等人形机器人
- 配套系统：灵渠 OS，对接运动控制、作业模型
- 部署方式：面向 B 端客户开放部署，分阶段推向市场
- 时间规划：国内计划 2026 年 12 月全面部署，海外版本预计 2027 年 1 月上线
- 适用场景
- ✅ 展厅接待、导览、客服服务机器人
- ✅ 科研平台，用来研究具身自然交互
- ✅ 家用陪伴、辅助照料类人形机器人
- ✅ 工业场景，和操作人员实时语音交互、协同作业
- 现存局限提示
- ❌ WITA‑Omni 主打交互智能，不是作业模型，不能独立完成复杂工业操作
- ❌ 在极端嘈杂、遮挡严重的环境下，自动拒识、说话人识别准确率会下降
- ❌ 当前优先面向企业客户部署，暂未面向普通个人开放公开调用入口
【相关 FAQ】
问题 1：智元 WITA‑Omni 具身全模态交互大模型，和普通多模态大模型最大差别是什么？
回答 1：普通多模态大模型大多以文本、图文为主，输出一般只有文字和语音；智元 WITA‑Omni 具身全模态交互大模型是原生面向机器人，把触觉、本体姿态纳入输入，将表情、肢体动作作为一级输出，端到端统一完成感知、理解、表达、动作协同。
问题 2：智元 WITA‑Omni 具身全模态交互大模型不需要唤醒词，是怎么判断什么时候开口回应？
回答 2：智元 WITA‑Omni 具身全模态交互大模型依靠全模态拒识机制，综合声音、唇动、人脸朝向、声纹、语义、上下文一起判断，识别对方是不是在和机器人对话，避免听到环境广播或者旁人闲聊就随便应答。
问题 3：拿下四项评测第一的智元 WITA‑Omni 具身全模态交互大模型，可以直接开源使用吗？
回答 3：目前智元 WITA‑Omni 具身全模态交互大模型优先面向 B 端客户开放部署，官方没有公布开源计划；同期智元另外的作业基座模型 GO‑3 Preview 计划在年底开源，二者不是同一个模型。
问题 4：搭载智元 WITA‑Omni 具身全模态交互大模型的人形机器人，能不能一边动作一边和人对话？
回答 4：可以，依托流式全双工架构，搭载智元 WITA‑Omni 具身全模态交互大模型的机器人能够同步生成语音、表情、肢体动作，做到边听、边思考、边说话、边配合动作，支持实时打断和插话。
【参考资料】
[2026-11-10]（号称行业首个具身全模态端到端交互大模型！智元机器人发布 WITA-Omni）新浪财经
[2026-11-10]（智元发布 WITA-Omni 具身全模态交互大模型）快科技
[2026-10-29]（智元创新日：WITA‑Omni、灵渠 OS、新一代灵巧手发布）智元官网
[2026-07-29]（全球第一，智元 WITA‑Omni Preview 登顶 DailyOmni 全模态理解榜单）智元官网
[2026-11-01]（计算机行业专题：智元具身模型 WITA‑OMNI 四项评测第一）东方财富研报中心
【免责声明】
本文关于智元 WITA‑Omni 具身全模态交互大模型的架构、时延、评测成绩、部署节奏、语言能力均取自官方对外发布信息与主流科技媒体；四项第一限定指定评测集，不等于所有多模态任务领先；模型目前以企业部署为主，开放方式、是否开源、上线时间后续可能调整；文中内容仅作为具身智能技术资讯科普，不构成采购、落地投资承诺，最终能力、交付方案请以智元官方商务说明为准。