阿里开源 Qwen-Audio-Agent：边打电话边让智能体写代码

qwen-audio-agent 是阿里开源的一个实时语音运行时，简单说就是给各类写代码、跑任务的 Agent 装上了耳朵和嘴巴。它把全双工实时语音做成前台，后台对接深度任务 Agent，让你能像平时打电话一样跟 AI 协作。

以往的语音助手最让人难受的地方，就是一旦触发了搜索、写代码或者调用工具，整段对话就会直接卡住，你只能干等。qwen-audio-agent 的核心思路是把前台对话和后台任务彻底拆开，前台负责陪你聊、听你插话，后台负责异步干重活，两边同时跑。

它能做什么

在交互上，它支持全双工实时语音。你可以一边说话一边梳理思路，中途想到新点子能随时开口打断，不需要像传统对讲机那样等它说完或者按住按键。

你交代给它的复杂任务，比如写一段新逻辑、改文件或者搜索资料，会被交给后台 Agent 异步执行。任务在后台跑的时候，前台对话不会停，你可以随时开口问它进度，或者追加新的修改要求。

后台一旦搞定，它会像真人同事一样在对话里自然地来一句「做好了」，并把结果带回当前的上下文。除了语音，如果前台模型支持视觉，它还可以通过摄像头捕获画面辅助交互。

它的客户端形态很全，既有网页版 WebUI、终端 TUI，也有支持 macOS、Windows 和 Linux 的桌面悬浮球。桌面端不仅自带网关和本地休眠，还支持「你好千问」语音唤醒和跨会话长期记忆。

怎么跑起来

项目对模块化解耦做得很彻底。前台语音层和后台任务层可以自由混搭。

前台语音默认推荐百炼的 Qwen Audio 3.1 Realtime Plus，同时也兼容 OpenAI Realtime、Google Gemini Live、豆包、阶跃星辰等云端服务。如果你想完全离线跑，也可以接入本地的 Hugging Face 语音链路，自己配置 VAD、STT、LLM 和 TTS。

后台 Agent 支持通过统一的 ACP 等协议接入现有的开发工具，比如 OpenCode、OpenClaw、Claude Code、Codex、Qoder、Kimi Code 和 DeepSeek Harness。这意味着你不需要重新配置模型或工具链，直接复用既有的环境和技能即可。

运行环境要求 Node.js 22.22.2 以上或 24.15.0 以上，以及 npm 10 以上。直接通过 npm 全局安装 qwen-audio-agent，配置好百炼等平台的 API Key，先用命令行启动网关，再启动 TUI 或 WebUI 就能用上。桌面端也可以直接去 GitHub Releases 下载对应系统的安装包。

为什么重要

对于每天重度依赖 Agent 写代码、改项目的开发者来说，这个项目很值得试一试。它改变了以往对着输入框打字、或者死等终端跑完的交互体验，一边说话一边构思，零碎的脏活累活全甩给后台跑，体验非常接近雇了一个真人结对编程搭子。

和 OpenAI 的 GPT-Live 相比，阿里走的是平台聚合路线。它没有把用户绑死在某一家模型上，而是把自己定位成一个通用 Harness，既能吸纳各种前沿语音模型，又能连通主流的代码 Agent。我们认为这种把对话层与执行层剥离的设计很聪明，解决了重度 Agent 场景下语音对话必然会卡顿的痛点，给整个开源社区提供了一个现成可用的实时语音入口。