今天，我们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。它在智商、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。
又快又聪明：压时延不掉智商
实时语音模型往往为压低时延牺牲推理深度，智商衰减，但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，Plus版本得分分别为92.5和90.5，仅下降2.0，这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，Preview版本Fun-Realtime-Audiochat在"语音推理能力"指标上曾以97.6% 登顶Artificial Analysis。
能聊天更能办事：
无需明确指令，自行调用工具
文本大模型的Agent能力已相当成熟，但语音模型往往"能聊天不能办事"：需要用户明显说出"帮我打开 XX"才能触发工具，并且切回闲聊后容易出现上下文断裂。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。
摆脱机械感：
随语境调整语气、节奏与情感
共情对话是本版本最能改变用户主观体验的部分。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。在辩论场景中，模型能准确抓取对方论点并快速组织反驳，同时保持恰当的语气强度；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。
像真人一样对话：
边说边听，随时打断插话
双工交互流畅度，意味着模型能边说边听，像真人一样随时打断、插话，而非一问一答的对讲机模式。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。
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。此外，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。
On-Policy Distillation与多教师蒸馏
上述能力的提升，源于模型采用的On-Policy Distillation（在线策略蒸馏）框架——研究团队将文本大模型的完整推理能力蒸馏至语音模型：语音模型一边自己生成回答，一边由文本大模型实时纠正。
同时引入多教师蒸馏策略，确保模型在四条主线上均不偏科：口语多轮偏好教师保障口语化表达与指令遵循，通用教师负责基础问答与推理，Agentic教师锁定工具调用与复杂任务，音频理解教师处理副语言与音频语义信息。
从毫秒级响应到自行调用工具，从共情语气到边说边听，Qwen-Audio-3.0-Realtime想做的，是一个"又快又聪明"、聊起来更像真人的实时语音模型。我们期待看到大家基于它构建的下一代语音交互应用。
