阿里云今日宣布推出全新实时语音交互对话模型Qwen-Audio-3.0-Realtime，同步发布Plus和Flash两个版本。该模型在保持毫秒级响应速度的同时，实现了工具调用、多轮对话、情感表达和实时交互能力的显著提升，标志着语音交互技术向"类人对话"方向迈出重要一步。
在路线规划场景中，用户无需使用"帮我查询"等标准指令，只需说明时间安排和需求，模型即可自主理解上下文并调用地图工具。例如当用户提到需要喝咖啡时，系统会自动筛选周边高分咖啡馆，并将相关信息无缝融入后续的路线规划对话。这种突破传统语音助手"指令触发"模式的交互方式，使对话流程更加自然流畅。
基准测试数据显示，Qwen-Audio-3.0-Realtime Plus版本在语音问答基准VoiceBench中，书面化提示词得分92.5，口语化提示词得分90.5，两者差距仅2分，展现出强大的口语适应能力。在S2S语音指令遵循基准VStyle测试中，该模型更取得当前公开模型的最高分，证明其在拟人化表达方面的领先优势。今年5月，其预览版已在Artificial Analysis的语音推理能力测试中以97.6%的准确率登顶。
技术实现层面，研究团队采用在线策略蒸馏框架，将文本大模型的完整推理能力实时迁移至语音模型，确保生成回答的准确性和逻辑性。多教师蒸馏策略则通过四位专项教师模型（口语多轮偏好、通用问答推理、工具调用、音频理解）的协同训练，使系统在四个核心维度保持均衡发展。这种创新架构使模型在保持低时延的同时，实现了复杂任务处理能力的质的飞跃。
在情感交互方面，模型突破传统语音助手的机械感，能够根据对话语境动态调整语气、节奏和音调。当用户分享情绪时，系统可识别情感倾向并给出共情回应。可打断实时对话功能则允许用户在模型输出过程中随时插入新问题，系统能立即调整回答方向，保持思维连贯性。这种类人交互特性在旅游攻略制定等复杂场景中表现尤为突出。
针对嘈杂环境下的使用需求，模型内置的"多模态感知双工控制"子模型可分析音频信号、语义内容和声纹特征，有效区分背景噪音与有效对话。在多人讨论场景中，系统能准确锁定主对话对象，并在说话人切换时保持语义连贯性。用户还可通过API上传特定声纹样本，实现个性化语音交互。
商业应用方面，该模型采用按token计费模式，输入音频价格Plus版为5元/百万token，Flash版为3元/百万token；输出文本和语音价格Plus版40元/百万token，Flash版30元/百万token。开发者可通过阿里云百炼平台调用API进行体验，探索智能客服、语音导航、教育辅导等场景的落地应用。
