千问称，
，，，该模子在坚持毫秒级时延响应的基础上，
，，，进一步增强了工具挪用、多轮对话、情绪表达和实时交互能力。
。好比，
，，，在蹊径妄想场景中，
，，，用户无需明确发出“帮我查一下”之类的指令，
，，，只需见告自己的时间安排和需求，
，，，Qwen-Audio-3.0-Realtime便能明确上下文，
，，，自主判断何时挪用地图工具。
。 相比古板语音助手需要依赖明确指令触发工具挪用，
，，，该模子不但能听懂用户表达、明确使命目的、判断挪用工具的时机，
，，，还能将工具查找的信息无缝融入后续对话。
。 凭证官方基准测试，
，，，在语音问答基准VoiceBench中，
，，，用书面化标准提醒词和口语化提醒词提问，
，，，Qwen-Audio-3.0-Realtime Plus版本得分划分为92.5和90.5，
，，，差别仅2.0分，
，，，这意味着该模子能扛住真人语言的随意性。
。在S2S语音指令遵照果真基准VStyle上，
，，，该模子取得SOTA效果。
。 在价钱方面，
，，，该模子按token计费，
，，，输入音频、输出文本和输出语音统一折算token，
，，，输入价钱划分为Plus版5元/百万token、Flash版3元/百万token，
，，，输出价钱划分为Plus版40元/百万token、Flash版30元/百万token。
。 千问称，
，，，Qwen-Audio-3.0-Realtime能在压低时延的同时不掉智商，
，，，焦点手艺支持来自在线战略蒸馏和多西席蒸馏框架。
。该模子的研究团队将文本大模子的完整推理能力蒸馏至语音模子，
，，，同时通过多西席蒸馏战略确保该模子在口语、问答与推理、工具挪用和音频明确四条主线上不偏科。
。 已往，
，，，语音模子保存“能谈天不可服务”的问题，
，，，需要用户显着说出“帮我翻开XX”才华触发工具，
，，，并且切回闲聊后容易泛起上下文断裂。
。千问称，
，，，Qwen-Audio-3.0-Realtime无需明确指令即可自行挪用外部工具，
，，，并且挪用效果还会自动融入对话影象，
，，，一次挪用的效果会被记着，
，，，后面几轮追问都能接着用。
。 例如，
，，，用户先问“周围有什么川菜馆”，
，，，再追问“评分4.5以上的哪家最近”，
，，，该模子会自动衔接地图工具上一次的返回效果继续检索。
。 在共情能力方面，
，，，Qwen-Audio-3.0-Realtime去掉了古板语音助手的机械感，
，，，可凭证对话语境动态调解语气、节奏、音调与情绪。
。好比，
，，，与该模子分享开心或难过的事时，
，，，Qwen-Audio-3.0-Realtime可以凭证用户的语气和心情输出并与用户举行对话。
。 千问称，
，，，Qwen-Audio-3.0-Realtime在相同流通度方面也举行了提升，
，，，在官方测评中，
，，，它可以凭证用户说的话调解自己的回覆，
，，，被用户打断后也能凭证用户的新问题举行回覆。
。 好比让该模子安排旅游攻略，
，，，在与它交流的历程中，
，，，用户可以随时转换问题，
，，，不需要等它输出完，
，，，并且，
，，，它可以实时跟上用户头脑举行连贯的对话。
。 在语音问答基准VoiceBench中，
，，，首先以书面化标准提醒词举行提问，
，，，接着以口语化提醒词对该模子提问，
，，，Qwen-Audio-3.0-Realtime Plus版本得分划分为92.5和90.5，
，，，差别仅2.0分，
，，，这说明，
，，，语音模子越来越能顺应真人语言的随机性。
。 千问团队称，
，，，Qwen-Audio-3.0-Realtime的能力提升主要来自于2项战略。
。一是在线战略蒸馏（On-Policy Distillation），
，，，研究团队将文本大模子的推理能力蒸馏至语音模子，
，，，使得该语音模子在天生回覆时，
，，，还能被文本大模子实时纠正。
。 二是多西席蒸馏战略，
，，，研究团队接纳四位专攻差别偏向的西席：口语多轮偏好西席认真口语化表达与指令遵照；；；；；通用西席认真基础问答与推理；；；；；Agentic西席认真工具挪用与重大使命；；；；；音频明确西席认真副语言与音频语义信息，
，，，从而确保该模子在四条主线上均不偏科。
。 与古板语音助手差别，
，，，Qwen-Audio-3.0-Realtime无需明确指令即可自行挪用外部工具，
，，，挪用效果自动融入对话影象，
，，，一次挪用的效果后面几轮追问都能接着用。
。 该子模子可以使Qwen-Audio-3.0-Realtime在餐厅、开下班区等嘈杂情形中，
，，，不会被配景噪声误打断；；；；；在多人讨论中也能锁定主对话工具；；；；；还在多语言人切换时凭证语义线索自然过渡。
。API预留了audio_prompt字段，
，，，用户可上传音频样本锁定特定声纹。
。 在此之前，
，，，实时语音模子通常需要在响应速率和推理深度之间做取舍，
，，，要么压时延掉智商，
，，，要么保智商牺牲实时性。
。Qwen-Audio-3.0-Realtime则通过在线战略蒸馏和多西席蒸馏，
，，，提升了回覆的速率和质量。
。 语音模子的竞争正在从“谁说得快”转向“谁聊得像真人”。
。毫秒级响应是基础，
，，，能自行挪用工具、边说边听、随语境调解语气，
，，，或许是语音模子下一阶段的生长偏向。
。