IT 之家 7 月 15 日消息，阿里巴巴实时语音交互对话模型 Qwen-Audio-3.0-Realtime 今天（15 日）正式发布，在智商、Agent 工具调用、共情对话和双工交互流畅度四条主线上同步升级，力求 " 又快又聪明 "。

模型包括推理更强的 Plus 版本和速度更快的 Flash 版本，适用于智能客服、教育培训、娱乐互动与情感陪伴等场景。官方表示，该模型将让语音交互 " 懂倾听，更聪明 "。

针对自定义音色需求，也提供了音色克隆能力配置用于实际业务应用。在 S2S 语音指令遵循公开 Benchmark VStyle 上取得 SOTA 效果。

官方公布了该模型的一系列亮点如下：

模型能够根据对话语境动态调整语气、节奏、音调和情感表达，实现真正拟人化的语音交互。

该模型实现生成侧的深度优化。

无论身处何种复杂声场，它都能保持从容：