又快又聰明，阿里發佈 Qwen-Audio-3.0-Realtime：實時語音大模型四項功能升級

# 阿里发布Qwen-Audio-3.0-Realtime：实时语音大模型四大能力全面升级

7月15日，阿里巴巴正式推出实时语音交互对话模型 **Qwen-Audio-3.0-Realtime**，在智商（推理能力）、Agent工具调用、共情对话与双工交互流畅度四条主线上同步迭代，目标实现“又快又聪明”的语音AI体验。模型分为推理能力更强的 **Plus 版本**与响应速度更快的 **Flash 版本**，适配智能客服、教育培训、娱乐互动及情感陪伴等场景。此前，该模型的Preview版本（Fun-Realtime-Audiochat）已于今年5月在全球权威第三方评测平台 **Artificial Analysis** 斩获“语音推理能力”“对话流畅度”两项冠军，分别达到97.

6%，超越同期GPT-Realtime-2。此次正式版在Preview基础上做进一步工程优化与能力拓展。## 推理能力不减配：直出回复毫秒级响应，扛住口语随意性

传统实时语音模型为了压低时延，往往牺牲推理深度，导致“智商下降”。Qwen-Audio-3.0-Realtime 针对日常对话、简单问答等时延敏感场景，采用直接生成回复（无需外部重写或延迟验证）的架构，实现毫秒级响应，同时保持高水准理解力。在考验“AI会不会答”的语音问答基准 **VoiceBench** 上，测试团队分别使用书面化标准 prompt 和口语化 prompt 提问。Plus 版本得分分别为 **92.5** 与 **90.5**，仅下降 2.0 分，说明模型能够扛住真人说话时的随意性与省略。

面对更难的多轮音频对话挑战 **AudioMultiChallenge**，Flash 版本在标准和口语化 prompt 下得分分别为 **43.6** 与 **38.1**，下降仅 5.5 分，同样展现出稳健的口语适配能力。## Agent能力从被动到主动：无需指令即可调工具，结果能融入多轮记忆

文本大模型的Agent工具调用已相当成熟，但传统语音模型往往“能聊天不能办事”——用户必须明确说出“帮我打开XX”才能触发工具，且切回闲聊后上下文易断裂。Qwen-Audio-3.0-Realtime 改变了这一局面：模型能够边听边判断何时需要调用外部工具，即便用户未发出明确指令，也能主动推测并执行。 更重要的是，工具调用结果会自动融入对话记忆，一次检索的结果可以被后续多轮追问持续利用。例如用户先问“附近有什么川菜馆”，再追“评分4.5以上的哪家最近”，模型会自动衔接地图工具的上一次返回结果继续检索，无需重复调用。该能力基于 **FunctionCall** 标准协议，可无缝对接 MCP、外部 API 及企业知识库，为行业落地提供统一接口。 ## 共情对话告别机械感：动态调整语气与副语言信号

本版本最直接提升用户主观体验的部分是共情对话。Qwen-Audio-3.0-Realtime 摆脱了传统语音助手的僵硬机械感，能够根据对话语境动态调整语气、节奏、音调与情感色彩。在辩论类场景中，模型能准确抓取对方论点并快速组织反驳，同时保持恰如其分的语气强度；在情感陪伴中，则主动运用笑声、叹息、犹豫等副语言信号进行共情式回应，使交互更趋自然。 在专门评估“AI说话像不像人”的 **S2S 语音指令遵循公开基准 VStyle** 上，模型的共情与自然度指标取得 **SOTA（业内最佳）** 成绩，验证了其副语言建模的有效性。 ## 双工流畅度再进阶：边说边听能打断，复杂环境不误判

双工交互能力决定了语音模型能否像真人那样“边说边听”，随时允许用户打断、插话，而非一問一答的對講機模式。Qwen-Audio-3.0-Realtime 内置了 **多模态感知的双工控制子模型**，通过同步分析音频信号、语义内容与说话人声纹特征，智能判断交谈节奏。在餐厅、开放工区等嘈杂环境中，模型不会被背景噪声误打断；在多人讨论中能锁定主对话对象，忽略旁听者的闲谈；在多说话人切换场景下，则通过语义线索自然过渡。此外，API 预留了 **audio_prompt** 字段，用户可上传提前录制的音频样本锁定声纹，使模型聚焦特定说话人，提升隐私与专注度。

今年5月的Preview版本在对话流畅度指标上曾以97.6%登顶Artificial Analysis，正式版在此基础进一步优化。## 技术核心：On-Policy蒸馏框架与多教师协同

上述四大能力的提升源自模型所采用的 **On-Policy Distillation（在線策略蒸餾）** 框架。研究团队将文本大模型的完整推理能力“蒸馏”至语音模型——语音模型一边自行生成回答，一边由文本大模型实时纠正，确保推理深度不下滑。与此同时，引入 **多教师蒸馏策略**：**口語多輪偏好教師** 保障模型在口语化表达与指令遵循上的自然度；**通用教師** 负责基础问答与推理；**Agentic教師** 锁定工具调用与复杂业务逻辑；**音頻理解教師** 则专门处理副语言信号与音频语义信息。

四位教师各司其职，确保模型在智商、工具、共情与双工四条主线上“不偏科”，最终实现“又快又聪明”的实时交互体验。随着Qwen-Audio-3.0-Realtime正式发布，阿里在语音AI赛道上的产品矩阵更加完整。未来，该模型有望在更多要求低时延、高自然度与强工具协同的垂直场景中落地，推动人与机器的语音交互从“能听会说”向“会听懂做”迈出关键一步。