千问宣布正式发布实时语音交互对话模型 Qwen-Audio-3.0-Realtime——一个既要毫秒级响应、又不牺牲推理深度的实时语音模型。

公告称 ，该模型在智商、Agent工具调用、共情对话、双工交互流畅度四条主线上同步升级，力求"又快又聪明"。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。

Qwen-Audio-3.0-Realtime 针对日常对话、简单问答等对时延敏感的场景，能够直接生成回复，毫秒级响应。在考验“AI会不会答”的语音问答基准 VoiceBench 上，以书面化的标准 prompt 和口语化的 prompt 提问，其 Plus 版本得分分别为 92.5 和 90.5，仅下降 2.0。

在更难的多轮音频对话挑战 AudioMultiChallenge 基准测试中，Flash 版本标准和口语化 prompt 得分则分别为 43.6 和 38.1，仅下降 5.5。在今年 5 月，其 Preview 版本 Fun-Realtime-Audiochat 在"语音推理能力"指标上曾以 97.6% 登顶 Artificial Analysis。

Qwen-Audio-3.0-Realtime 无需明确指令即可自行调用外部工具——调用结果还会自动融入对话记忆，一次调用的结果会被记住，后面几轮追问都能接着用。

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，可以完成MCP、API、知识库的引入。

且 Qwen-Audio-3.0-Realtime 摆脱了传统语音助手的机械感，可根据对话语境动态调整语气、节奏、音调与情感。在专门考"AI说得像不像人"的S2S语音指令遵循公开基准VStyle上，模型取得SOTA成绩。

此外，Qwen-Audio-3.0-Realtime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，来判断如何交谈。

譬如在餐厅、开放工区等嘈杂环境中，它不会被背景噪声误打断；在多人讨论中能锁定主对话对象、忽略旁听者交谈；在多说话人切换时，则能根据语义线索自然过渡。今年5月，Preview版本在对话流畅度指标上曾以97.8%登顶Artificial Analysis。

模型的API还预留了audio_prompt字段，用户可上传提前录制的音频样本，锁定声纹，聚焦特定的说话人。