如果说前两年，大家评价机器人的时候，看的还是它能不能做后空翻等炫技表演，那今年的标准明显变了。

近期行业里更常聊的话题，是机器人能不能真的融进一个人的场景里，跟一群人自然相处、真实上岗服务。

9月20日，澳门有一场晚会，晚会本身是电影音乐主题，但今年多了一个不太常规的安排。

智元的远征A3走进直播间，跟主持人和现场艺人一起互动，中间还有一段智元高层跟A3的专访，重点展示一个叫WITA-Omni的交互模型。

当机器人离开演示视频，走进一个真实、多人、不可控的现场，它到底能不能自己撑住？

这才是这次直播最大的看点。

1过去十几年，语音识别的准确率一路涨到接近人耳水平，语音合成已经能做到听不出机器味，大模型也让机器人可以流畅回答几乎任何问题。

但一直没被很好解决的，是另一件事，就是机器人放到多人环境里的时候，它不知道自己该扮演什么角色。

谁在说话，这句话是不是对我说的，我现在该不该开口，该回应谁，什么时机开口才不突兀。

现在很多机器人，要么慢半拍，要么没眼力见地插话，要么把环境里的声音也误当成指令回应。

但我们真实世界里的人，都是是怎么交流的？我们从来不是一句一句轮流讲。你在说话的时候，我已经在看你的表情、听你的语气、观察你有没有停顿的意思。

我可能在你还没说完的时候就已经开始准备回应，也可能听着听着发现你其实不是在跟我说，就默默把嘴边的话咽回去。

这种能力，我们从小到大自然习得。但对机器人来说，这是一座真正的大山。

2行业里做机器人交互，多数走的是流水线思路。先语音识别把声音变文字，再语言理解把文字变意图，再任务规划，再语音合成，再动作控制。

这套流程的问题也很明显，每一段都独立运行，整体给人的感觉容易是割裂的，也很难贴合真实对话的节奏。

而智元推出的 WITA-Omni，走的就是另一条路——端到端。它不是把看、听、说、动拆成四段流水线，而是把它们放进一个统一的模型里同时处理。听觉、视觉、语言、动作，在同一个决策空间里协同生成。

也就是说，它在听你说话的同时也在看你，看你的同时也在想怎么回应，想的同时嘴巴和身体已经开始配合。这就是所谓的原生端到端多模态交互。

前不久，WITA-Omni Preview前段时间在DailyOmni全模态理解评测里拿了第一，85.21分，八项指标里六项排第一。

这个评测专门考察开放环境下的音视频联合理解、时序推理和跨模态信息协同等能力。在乱糟糟的真实场景里，测评模型是否也能同时处理好几路信息，并判断先后顺序，知道哪件事和哪件事有关。

但榜单归榜单，我们还是要看一下真实场景下的表现。所以这次智元干脆把机器人拉到直播间里，让大家看看它到底行不行。

3直播间是一个很复杂的考场。

主持人可能突然把话头递过来，艺人之间也可能出现即时互动，还可能有现场设备的动静和各种动态变化。

这个都是没办法提前排练的，只能让模型现场判断。

所以如果你也在看20号那场直播，可以留意一下直播里主持人抛问题时，智元的远征A3是抢答还是等对方讲完，艺人之间在互相调侃时它是安静旁听还是尴尬插话，别人跟它挥手时它先动身体还是先出声。

这些不起眼的瞬间，恰恰能让我们看到一个交互模型在真实多人场景中的表现。

从会说话到懂互动，这一步跨过去，可能才是机器人真正从演示场景走进现实世界的重要一步。