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（千问音频3.0实时版）。该模型在智商、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，力求实现"又快又聪明"的语音交互体验。模型提供推理能力更强的Plus版本与响应速度更快的Flash版本两种规格，覆盖智能客服、教育培训、娱乐互动与情感陪伴等多元化应用场景。
用户可通过Qwen-Audio-3.0-Realtime快速接入能力，支持毫秒级响应的同时保持深度推理能力，解决了传统实时语音模型"低延迟必然牺牲智商"的行业痛点，让语音交互真正实现"懂倾听，更聪明"。目前该模型已在阿里云百炼平台上线，开发者可免费申请API Key进行测试。
一、四项能力全面升级
Qwen-Audio-3.0-Realtime在四个维度实现突破性升级：智商升级使其在复杂对话场景下能够保持深度推理与准确回答；Agent工具调用支持Function Call标准协议，无需用户给出明确指令即可自动调用外部工具，调用结果自动融入对话记忆，后续追问可持续调用；共情对话能力使模型能够理解用户情绪并给出情感化的回应；双工交互则实现真正的实时打断与多轮连续对话，交互流畅度大幅提升。
区别于上一代纯文本对话模式，Qwen-Audio-3.0-Realtime实现了端到端的语音理解与生成，用户无需在ASR（大语言模型）与LLM之间切换，整个交互链路在一套模型内完成，大幅降低了延迟并提升了交互的自然度。这对于智能客服、实时翻译、语音游戏等对时延敏感的场景尤为重要。
二、性能超越GPT-Realtime-2，领跑行业
根据公开资料，在全球权威第三方评测平台VoiceBench语音问答基准测试中，Qwen-Audio-3.0-Realtime Plus版本获得92.5分，刷新该榜单纪录。在Artificial Analysis语音推理子项综合排名中，该模型同样位居第一，超越OpenAI GPT-Realtime-2。在打断检测准确率、响应时延等关键指标上，Qwen-Audio-3.0-Realtime均处于行业领先地位。
更值得关注的是，Qwen-Audio-3.0-Realtime在S2S语音指令遵循公开Benchmark VStyle上取得SOTA（State of the Art）最佳效果，这意味着模型能够精准理解和执行用户的语音指令，超越了此前所有同类产品。此外，得益于阿里自研的推理优化技术，Flash版在保持低延迟的同时，指令遵循准确率依然保持在行业前列。
三、应用场景广泛落地
Qwen-Audio-3.0-Realtime适用场景覆盖多个领域：智能客服可实现全天候高质量语音交互；教育培训支持个性化语音辅导与答疑；娱乐互动可打造沉浸式语音游戏体验；情感陪伴则能提供有温度的语音对话支持。针对有自定义音色需求的商业用户，平台还提供音色克隆能力，用于实际业务应用。
从技术生态角度看，Qwen-Audio-3.0-Realtime与阿里千问家族（Qwen3.5-Max、Qwen-VL等）形成协同，支持用户在同一平台上无缝切换文本对话、视觉理解与语音交互三种模态。这一全模态能力将成为阿里云百炼平台的核心竞争力之一，吸引更多企业级开发者接入阿里AI生态。
