据千问大模型消息，通义千问正式发布实时语音交互对话模型Qwen-Audio-3.0-Realtime，在毫秒级响应下兼顾推理深度，并在Agent工具调用、共情对话和双工交互流畅度上同步升级。模型提供推理更强的Plus版本与速度更快的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。
又快又聪明：压时延不掉智商
针对日常对话等时延敏感场景，模型可直接生成回复，实现毫秒级响应。在语音问答基准VoiceBench上，Plus版本以书面化prompt和口语化prompt提问，得分分别为92.5和90.5，仅下降2.0，能扛住真人说话的随意性。在多轮音频对话挑战AudioMultiChallenge基准测试中，Flash版本标准和口语化prompt得分分别为43.6和38.1，仅下降5.5。
能聊天更能办事：无需明确指令，自行调用工具
模型无需用户说出明确指令即可自行调用外部工具，调用结果会自动融入对话记忆，支持后续多轮追问。例如用户先问“附近有什么川菜馆”，再追问“评分4.5以上的哪家最近”，模型会自动衔接地图工具上一次的返回结果继续检索。模型基于FunctionCall标准协议，可完成MCP、API、知识库的引入。
摆脱机械感：随语境调整语气、节奏与情感
模型可根据对话语境动态调整语气、节奏、音调与情感，在辩论场景中能抓取对方论点并快速组织反驳，在情感陪伴中则通过语调、节奏与笑声、叹息、犹豫等副语言信号进行共情回应。在S2S语音指令遵循公开基准VStyle上，模型取得SOTA成绩。
像真人一样对话：边说边听，随时打断插话
模型内置“多模态感知的双工控制”子模型，通过分析音频信号、语义内容与说话人声纹特征判断交谈方式。在嘈杂环境中不会被背景噪声误打断，在多人讨论中能锁定主对话对象，在多说话人切换时可根据语义线索自然过渡。API预留audio_prompt字段，用户可上传音频样本锁定声纹聚焦特定说话人。
上述能力源于On-Policy Distillation（在线策略蒸馏）框架与多教师蒸馏策略，将文本大模型的完整推理能力蒸馏至语音模型，并确保在口语多轮偏好、通用推理、工具调用、音频理解等方向上均衡提升。
原文：Qwen-Audio-3.0-Realtime：能聊天，还能办事！（来源：千问大模型）
