Qwen Audio 3.0 Realtime

默认语音前台：DashScope 的 Qwen Audio 3.0 Realtime 系列，专为语音直通语音的 对话而生。装好 qwen-audio-agent、只填一个 API Key 时，用的就是它。

模型

模型	说明
qwen-audio-3.0-realtime-plus	默认。 质量更高
qwen-audio-3.0-realtime-flash	延迟更低、成本更低

两个模型都接受文本和音频输入、产出文本和音频，并支持 Function Calling （网关的前台工具——任务委派、记忆、提醒——正是通过它到达模型）。

配置

DASHSCOPE_API_KEY=your-key
QWEN_AUDIO_REALTIME_MODEL=qwen-audio-3.0-realtime-plus

当语音前台需要独立凭据时，DASHSCOPE_API_KEY 可以被更高优先级的别名 QWEN_AUDIO_REALTIME_API_KEY 替代。

一个 Gateway 同一时刻只生效一个模型。在桌面版设置页或 CLI 切换后， 重启 Gateway 生效：

qwenaudio config set --realtime-model qwen-audio-3.0-realtime-flash
qwenaudio gateway restart

WebUI 和 TUI 只展示当前生效模型，不单独覆盖。

音色与话轮检测

• 默认音色 longanqian，可用 QWEN_AUDIO_REALTIME_VOICE 覆盖。
• 话轮检测为 smart_turn（语义判停），由运行时配置，不暴露手动 VAD 调参。

端点覆盖

用于私有化部署或代理：

配置项	作用
QWEN_AUDIO_REALTIME_BASE_URL / QWEN_AUDIO_REALTIME_URL	替换 DashScope Realtime 端点
DASHSCOPE_WORKSPACE_ID	切换到百炼专属工作区端点（wss://<workspace-id>.cn-beijing.maas.aliyuncs.com/...）

传输层在单条 WebSocket 上跑 16 kHz PCM 输入、24 kHz PCM 输出。

能力边界

	模型层	当前客户端传输层
输入	文本、音频	文本、音频
输出	文本、音频	文本、音频

模型能力与已实现的传输通道是被刻意分开跟踪的；这个系列没有图像模态， 因此没有落差。需要模型层图像输入时，见 Qwen Omni Realtime。

继续阅读

• Speech-to-Speech——全本地前台，无需云端 Key
• 自定义 Provider——接入其他实时语音服务
• 前台配置参考