IT之家 7 月 15 日消息，阿里巴巴（BABA）實時語音交互對話模型 Qwen-Audio-3.0-Realtime 今天（15 日）正式發(fā)布，在智商、Agent 工具調(diào)用、共情對話和雙工交互流暢度四條主線上同步升級，力求“又快又聰明”。

模型包括推理更強的 Plus 版本和速度更快的 Flash 版本，適用于智能客服、教育培訓、娛樂互動與情感陪伴等場景。官方表示，該模型將讓語音交互“懂傾聽，更聰明”。

針對自定義音色需求，也提供了音色克隆能力配置用于實際業(yè)務(wù)應(yīng)用。在 S2S 語音指令遵循公開 Benchmark（BHE） VStyle 上取得 SOTA 效果。

官方公布了該模型的一系列亮點如下：

根據(jù)語境動態(tài)調(diào)整語氣與情感表達，支持音色克隆，告別機械朗讀感；

內(nèi)置多模態(tài)雙工控制模型，支持聲紋級背景過濾，嘈雜環(huán)境下對話依然流暢，不易被打斷；

Artificial Analysis 子項中綜合排名第一，超越 OpenAI GPT-Realtime-2。

支持動態(tài)工具調(diào)用，可完成路線規(guī)劃、信息查詢等任務(wù)，不止是聊天。

模型能夠根據(jù)對話語境動態(tài)調(diào)整語氣、節(jié)奏、音調(diào)和情感表達，實現(xiàn)真正擬人化的語音交互。

在激烈的辯論場景中，準確理解對方論點、快速組織反駁邏輯，同時保持口語化表達和適當?shù)恼Z氣強度。

角色扮演時，能根據(jù)設(shè)定的角色（如歷史人物、職業(yè)身份等）調(diào)整說話風格、用詞習慣和情感表達，并響應(yīng)顯式指令進行風格切換。

在情感陪伴中，當你傾訴煩惱或分享喜悅時，通過語調(diào)、節(jié)奏和內(nèi)容表達共情，提供溫暖的情感支持。

該模型實現(xiàn)生成側(cè)的深度優(yōu)化。

情感感知生成：識別你的情緒狀態(tài)，并給予有溫度的共情回應(yīng)。

韻律動態(tài)調(diào)整：根據(jù)語義重點與對話節(jié)奏，自動調(diào)整語速、停頓、重音等韻律特征。

副語言信息處理：能夠理解和生成笑聲、嘆息、猶豫等非語言聲音信號，還原真人交流的細膩。

個性化風格適配：一秒切換專屬說話風格，完美演繹你設(shè)定的任何角色。

無論身處何種復雜聲場，它都能保持從容：

嘈雜背景環(huán)境下的雙工對話：在餐廳、開放工區(qū)等嘈雜環(huán)境中，不受干擾，精準鎖定你的聲音。

多人交談不打斷：在多人討論中，準確識別主對話對象，不被旁聽者干擾。

多說話人智能切換：根據(jù)上下文和語義線索，智能判斷當前對話對象，在不同說話人間自然切換。