核心看点
7 月 15 日，阿里巴巴正式发布 Qwen-Audio-3.0-Realtime，一款面向实时对话场景的语音交互模型。新模型在推理能力、工具调用、情感表达和双工交互四个方面都有升级。
该系列分两个版本：
- Plus 版：推理能力更强，适合复杂对话任务
- Flash 版：响应速度更快，侧重低延迟场景
两者均已通过阿里云百炼（北京地域）上线。
函数调用：模型自己决定调什么工具
Qwen-Audio-3.0-Realtime 支持函数调用（function calling）。开发者可以接入地图、数据库、知识库等服务，模型在对话中自行判断何时调用这些工具——比如用户说"帮我查到上海虹桥站最近一班高铁"，模型自动触发查询接口并返回结果。
这在语音场景下比文本更实用，因为语音对话通常节奏更快、打断更密集，手动触发工具不现实。
情感表达和共情对话
模型在语音表达上做了几个有意思的改进：
- 根据对话语境调整语气、语速、音调和情感
- 支持非语言声音——笑声、叹息、犹豫
- 可通过声音样本创建自定义音色
阿里的测试数据称，该模型在 VStyle 基准（评估语音风格适应能力的中英双语公开测试）上拿了当前最佳成绩。
双工交互：多人说话也不乱
Qwen-Audio-3.0-Realtime 在嘈杂环境下的表现也有改进。模型能识别主要对话对象，降低旁人说话造成的误打断。在多说话者场景下，结合上下文判断谁在说话，在说话者之间切换。
两款模型通过 WebSocket 接收音频和文本输入，流式输出语音和文本。这意味着开发者可以按需选择纯文本、纯音频或音文混合的交互方式。
市场和实用场景
阿里的目标市场是四个方向：智能客服、教育培训、娱乐互动、情感陪伴。从模型能力看，Plus 版更适合需要推理深度的客服和培训场景，Flash 版主打响应速度敏感的互动和陪伴场景。
与同类产品相比，Qwen-Audio-3.0-Realtime 的差异化在于函数调用 + 情感表达的组合——能在对话中实时调用外部数据，同时维持自然的语音交互节奏。不过目前只在北京地域上线，其他地区开发者需要等待后续扩展。