什么值得买App下载 App ›
连续签到专享现金活动

通义千问语音模型登顶全球榜首!实时交互超越GPT,AI助手迎来质变时刻

Qwen-Audio-3.0-Realtime登顶语音推理榜单,超越GPT-Realtime-2
7月15日,阿里巴巴通义千问正式发布实时语音交互模型Qwen-Audio-3.0-Realtime。发布即登顶——在第三方评测机构Artificial Analysis的语音推理综合排名中,该模型超越OpenAI GPT-Realtime-2,位列第一。模型支持毫秒级响应与全双工对话,可同时听、说、打断,无需等待机器说完再开口。
智商与速度同步升级。日常对话实测延迟低于180毫秒,复合指令响应在420毫秒以内;VoiceBench语音问答基准测试中,Plus版书面化与口语化提示词得分分别为92.5和90.5,差距仅2.0分,证明模型能扛住真人说话的随意性。1
不只是问答,还能自主办事。模型内置Function Calling协议,支持调用地图、API、知识库等外部工具,问天气、查路线、设提醒等任务可在同一对话内完成多步串联。共情能力同步提升,可根据语境动态调整语气、节奏与音调,融入笑声、叹息等副语言信号。
双工交互与抗干扰能力是其核心差异点。内置多模态双工控制子模型,可同时分析音频信号、语义内容与说话人声纹特征;嘈杂餐厅或开放办公区等场景下,模型能精准锁定目标说话人,过滤旁人声音与背景噪音。
开发者可通过阿里云百炼平台的WebSocket接口直接调用该模型,提供Plus版(推理深度优先)与Flash版(速度优先)两个版本选择。
TTS模型同步登顶质量榜。7月20日发布的语音合成模型Qwen-Audio-3.0-TTS,以Elo 1236分登顶Artificial Analysis Speech Arena,险胜Simba 3.2的1234分。支持16种语言和20种中文方言,词错误率与说话人相似度指标在各自维度均排名第一。
生成速度存在短板。Plus版每秒仅产出16个字符,对比Simba 3.2的30.2字符/秒与Sonic 3.5的120字符/秒,差距明显。
API已在阿里云百炼平台开放,定价约27.59美元/百万字符。Flash版首包延迟约300毫秒,适合AI客服等实时交互场景;Plus版主打质量上限,支持音色克隆、86个细粒度标签控制与48kHz音频采样,输出规格对标专业配音场景。

评论

评论区空态插画

当前文章无评论,是时候发表评论了