ITCOW牛新网 7月15日消息，阿里巴巴于今日推出实时语音交互对话模型 Qwen-Audio-3.0-Realtime，在智商、Agent 工具调用、共情对话及双工交互流畅度四条主线同步升级，力求让语音交互“懂倾听，更聪明”。新模型提供推理更强的 Plus 版与速度更快的 Flash 版，面向智能客服、教育培训、娱乐互动及情感陪伴等场景开放。
据ITCOW牛新网了解，Qwen-Audio-3.0-Realtime 在 S2S 语音指令遵循公开 Benchmark VStyle 上取得 SOTA 效果，并在 Artificial Analysis 子项中综合排名第一，表现超越 OpenAI GPT-Realtime-2。模型内置多模态双工控制能力，支持声纹级背景过滤，即便在餐厅、开放工区等嘈杂环境下也能精准锁定用户声音，在多人讨论中准确识别主对话对象并不受旁听者干扰，根据不同说话人自然切换交互焦点。
情感与拟人化表达是此次升级重点。模型可根据语境动态调整语气、节奏、音调和情感，识别用户情绪状态后给予有温度的共情回应，支持生成笑声、叹息、犹豫等副语言信号，还原真人交流的细腻层次；角色扮演时能依设定（如历史人物、职业身份）调整说话风格与用词习惯，并响应显式指令一秒切换专属说话风格。针对业务需求，阿里同步开放音色克隆能力配置，告别机械朗读感。
工具调用层面，Qwen-Audio-3.性Realtime 支持动态调用路线规划、信息查询等 Agent 任务，不止于闲聊。在激烈辩论场景中可准确理解对方论点、快速组织反驳逻辑并保持口语化表达与适当语气强度；情感陪伴中则通过语调与节奏提供温暖支持。目前 Plus 与 Flash 版 API、官方文档及 Demo 体验地址均已上线，开发者可接入测试。随着端侧与实时通信场景对语音大模型要求抬升，阿里正试图在共情、抗噪与工具化三维坐标中建立国产实时语音模型的差异化优势。