阿里云推出实时语音交互模型 Qwen-Audio-3.0-Realtime。作为专门针对实时通话场景优化的大模型，其核心定位是降低交互延迟，解决传统语音模型“边听边想”导致的卡顿感。
Qwen-Audio-3.0-Realtime 带来哪些技术突破？
相比于前代版本，这次更新将响应延迟降低到毫秒级别，提供了极具拟人化的语音沟通体验。主要更新点包括：
- 智商能力提升：在保持高速响应的同时，增强了多步骤推理能力，减少了语音问答中的逻辑错乱。
- 全双工流利度：优化了语音交互中的轮替机制，允许用户随时打断，模型能自然过渡并继续对话。
- 共情对话体验：模型能根据上下文 and 用户的情感基调，动态调整语调、语速和情感色彩，提供更像真人的陪伴感。
什么是主动 Agent 工具调用？
传统语音助手在需要调用外部服务（如导航、查询数据库）时，往往需要用户给出明确的指令，甚至在后台进行复杂的意图分类。Qwen-Audio-3.0-Realtime 实现了主动工具调用，能在与用户闲聊或讨论问题的过程中，根据语义需要自动判断并触发外部 API 或 MCP（Model Context Protocol）工具，将查询结果无缝接入对话中。
目前，该模型提供两个细分版本以适应不同业务场景：
- Plus 版本：侧重复杂推理，适合需要深度逻辑分析和多步骤工具调用的复杂 Agent 场景。
- Flash 版本：侧重极致速度，适合高频客服、语音控制和即时娱乐互动等对延迟敏感度极高的应用。
开发者目前可以通过**阿里云百炼平台（Model Studio）**接入上述两个版本的 API。