又快又聪明，阿里发布 Qwen-Audio-3.0-Realtime：实时语音大模型四项功能升级

7月15日，阿里巴巴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，力求“又快又聪明”。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。今年5月，模型的Preview版本曾在全球权威第三方评测平台Artificial Analysis榜单斩获了两项冠军，超越GPT-Realtime-2。 为压低时延，实时语音模型往往牺牲推理深度，智商衰减。Qwen-Audio-3.0-Realtime针对日常对话、简单问答等对时延敏感的场景，可直接生成回复，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，Plus版本得分分别为92.5和90.5，仅下降 2.0——意味着模型能扛住真人说话的随意性。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得分分别为 43.6和38.1，仅下降5.5。今年5月，模型的Preview 版本Fun-Realtime-Audiochat在“语音推理能力”指标上曾以 97.6% 登顶Artificial Analysis。 文本大模型的Agent能力已相当成熟，但语音模型往往是“能聊天不能办事”，模型要边听边判断何时该调工具，往往需要用户明显说出“帮我打开 XX"”才能触发工具，且切回闲聊后，容易出现上下文断裂。Qwen-Audio-3.0-Realtime无需明确的指令，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的上一次返回结果继续检索。模型基于 FunctionCall 标准