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。。。。。。