打开网易新闻 查看精彩图片

7月15日消息，阿里巴巴今日发布实时语音交互模型Qwen-Audio-3.0-Realtime，围绕推理能力、Agent工具调用、共情对话和双工交互四个方向进行升级。模型分为Plus和Flash两个版本，可应用于智能客服、教育培训、娱乐互动及情感陪伴等场景。

据介绍，该模型可根据任务复杂度调整响应方式，在日常对话和简单问答场景中实现毫秒级响应。在VoiceBench语音问答基准中，Plus版本使用标准提示词和口语化提示词时分别获得92.5分和90.5分。

Agent能力方面，模型可根据对话内容自主调用地图、API和知识库等外部工具，并将调用结果保留在后续对话中。目前，该能力支持Function Call标准协议，可接入MCP、API及知识库。

在语音表达和交互方面，模型可根据语境调整语气、节奏和情感，并识别笑声、叹息等副语言信息。同时，模型支持边说边听和随时打断，可结合音频、语义及声纹信息，降低背景噪声造成的误触发。

阿里方面表示，上述能力基于On-Policy Distillation在线策略蒸馏框架实现，通过多类教师模型兼顾推理、工具调用、口语表达和音频理解能力。（葛嘉淼）