近日，网易有道宣布“子曰”大模型迎来 4.0 版本的全方位升级，标志着该大模型正式迈入全模态时代，不仅全面支持文本、图片、音频的融合交互，有道更宣布将核心的“多模态模型”与“语音合成（TTS）模型”正式开源。与此同时，翻译模型也迎来了深度的技术重构，翻译质量与效率实现双重提升。

多模态模型视觉与数理斩获SOTA，纯文本数理难题性能行业领先

据介绍，开源的“子曰4”多模态模型在 27B 参数规模上，面向教育场景，将支持视觉输入的数理能力拉到了行业顶尖水平（SOTA）。在同等参数规模的模型中，“子曰4”在处理带图表的数学题、物理题等高难度视觉数理问题上表现惊艳。中文纯文本数理难题的性能也获得显著提升，模型准确率达81.4%，达到行业领先水平。

更为关键的突破在于实际落地的“性价比”。相关负责人介绍，新模型采用了精细化思维链重构方案，通过汇聚大规模优质精简的推理样本进行深度优化，成功将推理思维链输出长度压缩了43.2%。

这意味着它可以用更少的 Token、更短的推理路径更快地给出答案，为企业和开发者大幅降低了实际业务场景中的推理成本。

此外，子曰研发团队针对国内学生真实的作业、考试和提问场景进行了深度优化，成为更有温度的数字化助手。

开源TTS：支持14 种语言，3秒克隆原声，跨语种不再有口音

此次与多模态模型一同开源的还有语音合成（TTS）引擎 ，该引擎基于前沿的“语音编码器 + LLM”架构打造，面向开发者及内容创作者提供零样本、低门槛的语音克隆与情感合成能力。

目前，它已全面支持中文、英语、日语、韩语等14种语言。系统可支持不同语言间同一说话者音色的自然迁移，无需额外训练即可保持音色一致性，且合成结果具备母语级别的自然度与流畅度，跨语种克隆也没有口音泄露问题。

在声音克隆方面，子曰4实现了“上传即可克隆”的全量支持能力，用户仅需提供任意音频素材，系统即可在三秒内完成原声复制。据介绍，该引擎在克隆任务中的准确度超过 97%，克隆音色与原声的相似度达 85% 以上。在保留说话人独特音色的同时，还可精准还原其情感色彩。

翻译模型质量全面升级，推理速度提升80%

作为有道最为深厚的技术资产，翻译模型在本次升级中也迎来了重要的技术升级，使其在翻译任务中表现进一步提升。

在数据层面，子曰团队收集并清洗了上亿级别的多语言数据，并聘请具有专八认证的专业人员进行多维度人工评估，从源头保证语料的高品质。

在算法层面，模型采用了创新的“多专家 OPD ”模式，用一种更聪明的“软方式”博采众长，同时通过强化学习引入格式奖励和语言检测机制，有效解决了机翻常见的脱靶和语种混出问题。

为了应对高频、高并发的产业级应用，升级后的翻译模型配备了高效的加速机制，使得整体推理速度直接飙升80%。配合大模型自动评测与人工随机抽检相结合的定制化方案，新一代翻译模型在文本、图片和文档翻译等多场景下，都展现出了兼具速度与质量的极高水准。

“子曰4” 的升级与核心模型全量开源，不仅大幅降低了开发者在多模态与语音合成领域的应用门槛，也向行业展示了以底层核心技术滋养上层 Agent 矩阵的生态闭环。

编辑：贾璇