- 发布日期
阿里发布实时语音交互对话模型 Qwen-Audio-3.0-Realtime，号称懂倾听、更聪明
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
7月15日，阿里巴巴正式发布实时语音交互对话模型Qwen-Audio-3.0-Realtime，在智商、Agent工具调用、共情对话和双工交互流畅度四条主线上同步升级，宣称让语音交互“懂倾听，更聪明”。该模型包括推理更强的Plus版本和速度更快的Flash版本，适用于智能客服、教育培训、娱乐互动与情感陪伴等场景。针对自定义音色需求，官方还提供了音色克隆能力配置。
在S2S语音指令遵循公开基准VStyle上，该模型取得SOTA效果。模型能够根据对话语境动态调整语气、节奏、音调和情感表达，实现拟人化语音交互。同时，内置多模态双工控制模型，支持声纹级背景过滤，在嘈杂环境中依然流畅对话，不易被打断。
根据Artificial Analysis子项测评，Qwen-Audio-3.0-Realtime综合排名第一，超越OpenAI GPT-Realtime-2。模型还支持动态工具调用，可完成路线规划、信息查询等任务，不止于聊天。
在具体场景中，该模型表现出色：在激烈辩论中准确理解论点并快速反驳，保持口语化表达；角色扮演时根据设定调整说话风格和情感；情感陪伴中通过语调、节奏表达共情。此外，模型能识别情绪并给予有温度的回应，自动调整语速、停顿、重音等韵律特征，理解和生成笑声、叹息等非语言信号，并支持一秒切换专属说话风格。
针对复杂声场，Qwen-Audio-3.0-Realtime在餐厅、开放工区等嘈杂环境中能精准锁定用户声音；在多人讨论中识别主对话对象，不被旁听干扰；根据上下文智能判断对话对象，在不同说话人间自然切换。
目前，阿里巴巴已开放Qwen-Audio-3.0-Realtime-Plus和Flash版本的API接口，并提供了详细文档和在线Demo供开发者体验。该模型的发布标志着实时语音交互技术向更智能、更人性化方向迈出重要一步。
