千问发布 Qwen-Audio-3.0-Realtime，让语音交互“懂倾听，更聪明”

‍▎高表现力与共情对话

• 在激烈的辩论场景中，准确理解对方论点、快速组织反驳逻辑，同时保持口语化表达和适当的语气强度。
• 角色扮演时，能根据设定的角色（如历史人物、职业身份等）调整说话风格、用词习惯和情感表达，并响应显式指令进行风格切换。
• 在情感陪伴中，当你倾诉烦恼或分享喜悦时，通过语调、节奏和内容表达共情，提供温暖的情感支持。

这些表现的背后，是团队在生成侧的深度优化：

• 情感感知生成：识别你的情绪状态，并给予有温度的共情回应。
• 韵律动态调整：根据语义重点与对话节奏，自动调整语速、停顿、重音等韵律特征。
• 副语言信息处理：能够理解和生成笑声、叹息、犹豫等非语言声音信号，还原真人交流的细腻。
• 个性化风格适配：一秒切换专属说话风格，完美演绎你设定的任何角色。

‍▎流畅双工交互

• 嘈杂背景环境下的双工对话：在餐厅、开放工区等嘈杂环境中，不受干扰，精准锁定你的声音。
• 多人交谈不打断：在多人讨论中，准确识别主对话对象，不被旁听者干扰。
• 多说话人智能切换：根据上下文和语义线索，智能判断当前对话对象，在不同说话人间自然切换。

这些自然倾听的背后，是团队在控制侧的重构：

‍▎不止于聊天：Agentic 与动态工具调用

• 动态工具路由：深刻理解你的意图，无需显式指令即可自动调用合适工具。

• 多工具协同：支持同时注册多个工具，根据任务复杂度灵活组合。

• 上下文感知：工具返回的结果自动融入对话记忆，让多轮辅助对话如丝般顺滑。

只需一句话，它就能帮你搞定本地生活的路线规划与餐厅推荐，或是查询实时新闻与股票行情；它甚至能直接接管复杂的任务执行与数据分析，如日程安排、表格查询，让语音真正成为你的超级助理。

团队采用On-Policy Distillation框架，将文本大模型的完整推理能力蒸馏至语音模型。同时引入多教师蒸馏策略，确保模型在各个维度“不偏科”：

• 口语多轮偏好教师保证口语化表达偏好与指令遵循；

• 通用教师保证基本问答和推理能力；

• Agentic教师保证工具调用与复杂任务执行；

• 音频理解教师负责音频及副语言信息对话及推理。

此外，Qwen-Audio-3.0-Realtime提供了针对日常问答等极度敏感时延的场景，直接生成回复，实现毫秒级响应。

得益于此，Fun-Realtime-AudioChat 在全球权威评测 Artificial Analysis 的Speech Reasoning（语音推理）子项中取得了综合排名第一的成绩。

注：上图评测基于 Qwen-Audio-3.0-Realtime 的 Preview 版本 Fun-Realtime-AudioChat 提交。

在 VoiceBench（验证事实准确性与知识检索）和 AudioMultiChallenge（验证多轮指令遵循）等主流基准测试中同样表现优异：

这证明了它不仅能“听见”，更能“听懂并深度思考”。

地址：