阿里巴巴发布 Qwen-Audio-3.0-Realtime 并在 Artificial Analysis 语音推理排名中位居首位

阿里巴巴本月发布了 Qwen-Audio-3.0-Realtime。该模型目前在 Artificial Analysis 语音推理类别中排名第一。

该排名将其置于 OpenAI GPT-Realtime-2 之前。这一结果让许多观察者感到意外，他们原本预计 OpenAI 将继续在实时音频任务中保持领先。

阿里巴巴通义实验室的团队构建了该模型，以比先前版本更低的延迟处理实时对话。内部测试显示，在多轮对话数据集上，准确性和速度均有提升。

发布详情与排名位置

该模型于 2026 年 7 月 10 日进入公开评估。Artificial Analysis 使用固定提示和评分标准对语音模型进行独立测试。Qwen-Audio-3.0-Realtime 在语音推理子部分中总体得分最高。

领先优势来自在需要跨多次交流跟踪上下文的推理链上的更强表现。OpenAI 的参赛模型在同一组任务中落后数分。

开发者已可通过 Alibaba Cloud 端点访问该模型。早期文档列出了对中文和英文音频输入以及流式输出的支持。

为什么这一结果现在很重要

语音推理基准测试的衡量标准不止是简单转录。它评估模型是否能在实时交流中遵循指令、解决歧义并保持逻辑一致性。

此前多家实验室的发布主要侧重于降低词错误率。向推理分数的转变反映了企业买家现在对客户支持和会议代理的需求。

阿里巴巴的结果给 OpenAI 带来了压力，要求其在下一轮评估周期中缩小差距。差距足够小，一次更新就可能再次改变排名。

Qwen-Audio-3.0-Realtime 的工作原理

该架构在音频编码器之后添加了一个专用推理模块。该模块将转录文本与音频特征（如语调和停顿长度）一起处理。

训练数据包括合成的多轮对话，旨在考验长上下文处理能力。该公司报告称，这种混合在不将平均延迟提高到 300 毫秒以上的情况下，提升了 Artificial Analysis 测试集上的分数。

实时流式传输采用分块解码策略。只要有足够音频到达，模型就会返回部分答案，而不是等待完整话语。

与 OpenAI GPT-Realtime-2 的比较

OpenAI GPT-Realtime-2 在短片段的纯转录准确性上仍处于领先。当对话需要跟踪多个说话者或处理打断时，其分数会下降。

Qwen-Audio-3.0-Realtime 则呈现相反的模式。它在孤立转录上得分较低，但在任务添加推理步骤后得分更高。

两款模型均尚未发布详细的错误分析。独立实验室继续运行额外测试，以了解每个系统在哪些方面具有优势。

迄今观察到的限制

当前版本在强背景噪声和重口音方面仍存在困难。早期用户报告称，在连续对话十分钟后偶尔会出现连贯性下降。

阿里巴巴表示，这些问题将在未来几周内得到更新。尚未公布具体修复的时间表。

该基准本身仅涵盖受控测试条件。当通话包含重叠语音或连接不良时，实际性能可能有所不同。

接下来值得关注的事项

观察者将跟踪定于 9 月进行的下一次 Artificial Analysis 更新。差距扩大或逆转将明确当前领先地位是否保持。

阿里巴巴计划于 8 月发布公共端点的使用统计数据。外部开发者的采用数据将显示兴趣是否超出内部产品范围。

OpenAI 尚未确认任何立即的反制发布。在下一次基准运行前宣布任何消息将表明该结果迫使其改变计划。

对个人知识工具感兴趣的用户可以探索 remio 如何存储和检索会议笔记以及模型输出。该平台已支持从多个音频源导入转录内容。