智元在创新日活动推出行业首个原生面向机器人的端到端具身全模态交互大模型 WITA-Omni，这套模型打破过去语音、视觉、动作分开串行处理的老架构，采用 Thinker–Talker–Actor 一体框架，能够把语音、视觉、文本、触觉、本体状态当成统一输入，同步输出语音、表情、肢体动作，并且支持直接下放到远征 A3 等人形机器人本体本地推理，不全部依赖云端；依托流式全双工链路实现边听、边想、边说、边动，最快交互响应低至 400ms，平均约 600ms，同时做到免唤醒自然对话、嘈杂环境精准识别对话对象，拿下四项具身方向权威评测榜单第一，首批客户已经开启本体部署，国内会在 12 月全面铺开，后续还会推进海外版本上线，补齐人形机器人自然交互这块短板，让机器人不再只是按脚本执行指令，可以在开放环境里完成连续、可打断、带情绪和肢体配合的真人化交流。
一、模型基础信息清单
| 项目 | 详情 |
|---|---|
| 模型名称 | WITA-Omni（硅光动语具身全模态交互大模型） |
| 发布场合 | 2026 智元 AGIBOT 创新日 |
| 核心架构 | Thinker–Talker–Actor，端到端全模态联合建模 |
| 输入信号 | 语音、视觉画面、文本、触觉传感、机器人本体状态 |
| 输出信号 | 自然语音、面部表情、全身肢体动作、交互决策 |
| 响应时延 | 最快 400ms，平均约 600ms |
| 语言能力 | 100+ 种语言、29 种方言，支持同声传译、双语互译 |
| 核心机制 | 全模态拒识，免唤醒交互，多人场景自动识别对话目标 |
| 适配本体 | 远征 A3，同时兼容智元系列人形机器人，支持跨本体移植 |
| 评测成绩 | Daily-Omni、TimeLens-Bench、EmbSpatialBench、MMAU 四项榜单第一 |
| 部署节奏 | 首批客户现已开放本体部署；国内 12 月全面部署；2027 年 1 月欧洲首发海外版 |
| 配套体系 | 和 GO-3 Preview 作业模型、运动智能框架组成 “一体三智” |
二、Thinker–Talker–Actor 架构拆解
传统方案是分段串联：语音转文字 → 大模型生成文本 → TTS 转语音，动作再单独由另一套控制模块生成，中间会丢掉语气、情绪、时序关联信息，延迟高，很难同步协调说话、表情、手势。
WITA-Omni 把三块合并在同一个 backbone：
- Thinker（推理核心）：统一编码所有感知信号，做跨模态时序推理，判断环境、对话对象、该不该回应、什么时候开口；
- Talker（语音生成）：基于隐状态流式输出语音，保留语气、情绪、语速变化；
- Actor（动作表情头）：把手势、转头、目光对齐、面部表情升级成一级输出，和语音时序严格对齐，做到说话同时自然配合肢体表达。
三、重点核心能力
1、本体本地部署，不强制依赖云端
这是这次发布非常关键的一点，WITA-Omni 支持在人形机器人本体硬件上跑推理，而不是所有交互请求都上传云端。本地部署可以大幅降低网络波动带来的卡顿，在没有 Wi‑Fi、网络差的工厂、展厅场景，机器人依旧可以稳定完成连续对话、肢体交互；云端版本同步保留，用来承载更重的长记忆、复杂任务推理。
2、全双工流式交互，支持中途插话打断
依靠流式链路，机器人不用等对方说完一整句再开始处理，可以边接收声音边推理边输出。用户随时插话、纠正、切换话题，机器人能够快速跟上节奏，接近人与人聊天的交互节奏，不会出现一问一答生硬割裂的感觉。
3、全模态拒识，免唤醒自然对话
不用固定唤醒词，模型结合声音方向、唇动、画面、声纹、语义、姿态一起判断，分辨别人是在互相聊天，还是专门对机器人说话，减少误触发，多人嘈杂环境下也不容易乱插话，也就是官方说的 “懂分寸”。
4、超强拾音与情感表达
视听协同拾音，在展会、人流嘈杂的环境稳定锁定说话人；配套 20 多种情感表达，语音语调、面部表情、肢体姿态跟着对话情绪同步变化，迎宾、讲解、陪伴场景的拟人感明显提升。
5、Intelligent FaceUI 可视化交互
机器人面屏可以把模型内部思考内容、识别结果直观展示出来，人类能看懂机器人正在关注什么、理解到哪些信息，降低人机之间的理解隔阂。
四、和老版 WITA 模型的差异
- 老 WITA：属于分段式，语音转文本再生成，动作独立外挂，模态信息会丢失，以云端服务为主；
- WITA-Omni：端到端原生具身架构，动作表情是模型原生输出，支持本体本地部署，时序对齐更好，时延更低，面向物理世界交互而不是线上聊天。
五、落地场景方向
- 展厅、文旅讲解机器人：自主接待，边讲解边配合手势、转头引导；
- 酒店、零售服务人形机器人：接待问询、带路、商品介绍，自然连续对话；
- 工业车间人机协同：工人在现场直接语音下达指令，机器人同步感知环境、配合动作；
- 陪伴、教育交互场景：连续聊天、情绪互动，支持多语种、方言教学翻译。
六、当前局限与待完善点
- 本体部署会受机器人板载算力限制，如果开启全部模态能力，算力压力较高，复杂长任务依旧推荐搭配云端；
- 目前优先适配智元自家远征 A3 等机型，第三方机器人本体移植还需要额外适配开发；
- 虽然榜单成绩突出，真实开放场景长期连续运行的鲁棒性，还需要更多客户落地验证；
- 模型本身主打交互智能，专门负责对话、感知、肢体表达，繁重的操作、抓取作业能力依靠配套 GO-3 Preview 作业模型。
七、行业价值
过去很多全模态大模型是为手机、电脑、数字人设计，并不适合机器人身处动态物理空间的需求。WITA-Omni 的本体部署方案，相当于给人形机器人一套原生交互大脑，把感知、语言、动作放进同一个闭环，推动具身智能从 “能干活” 走向 “能自然沟通”。这套模型搭配作业模型、运动框架，也是智元 “一体三智” 路线里交互层的核心底座，后续会成为其全系列人形机器人的标配交互能力。
【相关 FAQ】
问题 1：智元发布 WITA-Omni 具身全模态交互大模型，本体部署是什么意思？
回答 1：智元 WITA-Omni 的本体部署，就是这套具身全模态交互大模型可以直接在远征 A3 等人形机器人本地硬件上完成推理，不必所有交互都回传云端，弱网、无网络环境下机器人依旧可以完成对话、表情、肢体联动交互。
问题 2：智元 WITA-Omni 具身全模态交互大模型，和传统多模态模型最大区别在哪？
回答 2：传统多模态模型大多只处理图文、音视频内容，动作表情需要外部独立模块控制；智元 WITA-Omni 采用 Thinker–Talker–Actor 端到端架构，把动作、表情当成和语音同级别的原生输出，专门为人形机器人物理交互设计，并且支持本体本地部署。
问题 3：智元 WITA-Omni 具身全模态交互大模型，交互延迟和对话模式有什么特点？
回答 3：智元 WITA-Omni 最快响应 400ms，平均时延约 600ms，采用全双工流式架构，可以边听边推理，支持用户中途插话、打断对话；同时搭载全模态拒识能力，不用唤醒词就能自然对话，多人环境自动识别是否在和机器人交流。
问题 4：智元 WITA-Omni 具身全模态交互大模型，现在部署进度怎么安排？
回答 4：智元 WITA-Omni 具身全模态交互大模型现已面向首批友好客户开放本体部署，国内计划在 12 月完成全面部署，海外版本定于 2027 年 1 月在欧洲首发，3 月面向海外大范围上线。
问题 5：智元 WITA-Omni 具身全模态交互大模型，可以独立完成抓取、搬运这类机器人作业任务吗？
回答 5：智元 WITA-Omni 定位是交互智能模型，主打理解、对话、表情和肢体交互；抓取、搬运、复杂操作等作业任务，需要搭配智元 GO-3 Preview 作业基座模型、运动智能框架协同完成，二者分工配合。
【参考资料】
[2026-11-11]（号称行业首个具身全模态端到端交互大模型，智元发布 WITA－Omni）中电网
[2026-10-29]（2026 智元创新日，技术跃迁推动部署态全域落地）搜狐
[2026-10-29]（智元发布 WITA-OMNI 具身全模态端到端交互大模型，支持 100 多种语言极速交互）搜狐
[2026-10-29]（机器人干了多少活，怎么算？2026 智元创新日发布 Worken，模型、平台同步上新）钱江晚报
[2026-07-29]（全球第一，智元 WITA-Omni）智元官网
[2026-07-29]（让人形机器人学会 “察言观色” 智元具身原生大模型登顶 DailyOmni 榜）上观新闻
【免责声明】
本文基于智元创新日公开宣讲、官方文章以及行业科技媒体公开报道整理；WITA-Omni 本体部署的性能上限、算力占用、第三方机型移植难度，会受机器人硬件配置影响；模型评测结果是特定基准榜单下的成绩，实际表现受环境、噪音、任务类型影响；本文仅为具身智能产业链资讯梳理，不构成机器人采购、模型授权、项目投资建议。
本文来自作者[虚域锚点]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/jqr/202611/969.html
评论列表（4条）
我是环球科技潮的签约作者“虚域锚点”！
希望本篇文章《智元 WITA-Omni 具身全模态交互大模型正式发布，支持人形机器人本体端侧部署》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：智元在创新日活动推出行业首个原生面向机器人的端到端具身全模态交互大模型 WITA-Omni，这套模型打破过去语音、视觉、动作分开串行处理的老架构，采用 Thinker–Talker–Actor 一体框架，能够把语音、视觉、文本、触觉、本体状态当成统一输入，同步输出语音、表情、肢体动作，并且支持直接下放到远征 A3 等人形机器人本体本地推理，不全部依赖云端；依托流式全双工链路实现边听、边想、边说、边动，最快交互响应低至 400ms，平均约 600ms，同时做到免唤醒自然对话、嘈杂环境精准识别对话对象，拿下四项具身方向权威评测榜单第一，首批客户已经开启本体部署，国内会在 12 月全面铺开，后续还会推进海外版本上线，补齐人形机器人自然交互这块短板，让机器人不再只是按脚本执行指令，可以在开放环境里完成连续、可打断、带情绪和肢体配合的真人化交流。