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）。

dotenv

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

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：

bash

qwenaudio config set --realtime-model qwen-audio-3.0-realtime-flash
# 以下仅用于已安装的用户后台服务：
qwenaudio gateway restart

WebUI 和 TUI 只展示当前生效模型，不单独覆盖。

默认音色 longanqian，可用 QWEN_AUDIO_REALTIME_VOICE 覆盖。
GCP 客户端可在首次 session.hello 的 connection.output_voice 中提供会话级音色；它优先于环境变量。运行时调用 GatewayClient.updateOutputVoice(voice)，Gateway 会重建上游 Realtime Session，客户端连接和 Gateway 会话保持不变。
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。

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。

	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。