一句话总结
阿里巴巴通义千问团队开源 Qwen Audio Agent——让 AI Agent 像真人一样持续对话、后台干活、任务完成时自然告知「已经好了」，彻底告别「等 Agent 响应」的尴尬。
AI 语音助手的尴尬时刻
用过 AI 语音助手的人都经历过这种场景：
你：「帮我查一下上周的销售数据，然后发一个汇总邮件给团队」
语音助手：「好的，正在查询…」
——接下来是令人窒息的 30 秒沉默。它在工作，但你的对话被冻结了。你想追问「顺便把 Q2 的趋势也拉一下」，但你不能，因为你不知道它现在能不能听到你。
这就是当前语音 Agent 的核心问题：对话和任务被串行化了。 Agent 干活的时候，用户只能等。
通义千问的 Qwen Audio Agent 正是要打碎这个设计。
Qwen Audio Agent 是怎么工作的？
Qwen Audio Agent 采用三层分离架构：
┌─────────────────────────────────────────┐
│ 用户交互层 │
│ WebUI · TUI · macOS 悬浮球 │
├─────────────────────────────────────────┤
│ 实时语音运行时 │
│ 全双工语音 · 打断检测 · 任务追踪 │
├─────────────────────────────────────────┤
│ 后台 Agent 层 │
│ OpenCode · Claude Code · Codex · │
│ Hermes · Kimi Code · Qoder · ... │
│ ↓ ↓ │
│ 任务 A 任务 B │
│ (查数据库) (发邮件) │
└─────────────────────────────────────────┘
核心创新：
- 全双工语音：你可以随时说话、随时打断，Agent 同步倾听
- 对话与任务分离：Agent 可以在后台干活的同时继续和你聊天
- 任务自然返回：后台任务完成后，Agent 会自然地说「数据库查好了，昨天销售额是 XX 万」
- 多 Agent 后端：不是绑定单一模型，而是接入已有的编码 Agent
支持的 Agent 后端
Qwen Audio Agent 最亮眼的设计是：它自己不做 Agent 的事，而是给已有的 Agent 装上一个实时语音壳。
| 后台 Agent | 接入方式 | 推荐指数 |
|---|---|---|
| 无（纯前台） | N/A | ★★★★★ |
| OpenCode | 原生 ACP | ★★★★★ |
| OpenClaw | 内置 ACP 桥接 | ★★★★★ |
| Qoder | 原生 ACP | ★★★★★ |
| Kimi Code | 原生 ACP | ★★★★★ |
| Hermes | 原生 ACP | ★★★★☆ |
| CodeBuddy | 原生 ACP | ★★★★☆ |
| Codex | 外部 ACP 适配 | ★★★★☆ |
| Claude Code | 外部 ACP 适配 | ★★★★☆ |
通过 ACP（Agent Communication Protocol），Qwen Audio Agent 可以与几乎所有主流编码 Agent 对接。你可以在它的 WebUI 或 TUI 里跟 Claude Code 对话，让 Claude 在后台写代码，同时你继续聊下一个需求。
安装与使用
需要 Node.js 22.22.2+、npm 10+ 和阿里云百炼 DashScope API Key。
# 一键安装
npm install -g qwen-audio-agent
# 启动（WebUI 模式）
qwen-audio-agent
# 启动（TUI 模式）
qwen-audio-agent --tui
# 连接某个 Agent 后端
qwen-audio-agent --agent opencode
macOS 用户还可以使用内置 Gateway 的桌面悬浮球版本。
实测体验
作为 uuaihub 编辑，我第一时间上手体验了几个关键场景：
场景 1：编码 + 追问
我：「帮我写一个 Python 脚本，爬取某网站的最新文章标题」 Agent：「好的，我先看一下网页结构…」（后台开始分析） 我：「对了，记得加请求间隔，别被封 IP」 Agent：「明白，我会加 2 秒间隔。网页结构分析完了，正在写代码…」 —— 30 秒后 —— Agent：「脚本写好了，保存为 crawl.py。需要我运行一下测试吗？」
整个过程对话没有断过，我在 Agent 干活的同时完成了补充指令。
场景 2：多任务并行
我：「帮我查 DeepSeek 最新版本文档，同时看看 GitHub trending 本周有哪些新项目」 Agent：「好的，同时进行两项任务… DeepSeek 文档正在加载，GitHub API 已经返回了前 10 个项目。先给你报一下 GitHub 结果？」 —— 可以随时追问任意一项任务 ——
适合谁用？
- 终端 Agent 重度用户：已经习惯 Claude Code / Codex / OpenCode 的工程师，想获得语音交互体验
- 多任务并行需求者：经常需要 Agent 同时做多件事，不想被单任务阻塞
- 中文语音交互场景：基于通义千问 Qwen Audio 3，中文语音识别和交互体验一流
- macOS 用户：桌面悬浮球体验非常丝滑，一键唤起
同类工具对比
| 工具 | 全双工语音 | 多 Agent 后端 | 后台任务 | 开源 | 中文原生 |
|---|---|---|---|---|---|
| Qwen Audio Agent | ✅ | ✅ 8+ 种 | ✅ | ✅ | ✅ |
| OpenAI Voice Mode | ✅ | ❌ | ❌ | ❌ | ❌ |
| Gemini Live | ✅ | ❌ | ❌ | ❌ | 部分 |
| Hume AI | ✅ | ❌ | ❌ | 部分 | ❌ |
Qwen Audio Agent 是目前唯一一个同时具备全双工语音、多 Agent 后端接入、后台任务并行、开源、中文原生的语音 Agent 运行时。
总结
- 通义千问 Qwen Audio Agent 解决了 AI 语音助手的「对话冻结」痛点
- 三层架构让对话、任务、Agent 后端完全解耦
- 通过 ACP 协议支持 8+ 种主流编码 Agent 后端
- 开源 + npm 一键安装，中文原生体验
- 未来可期：随着 ACP 协议普及，能接的后端会越来越多
