7月28日,阿里Qoder正式上线实时语音交互智能体Qoder Voice。这是国内首个实现实时语音双向交互的AI智能体产品。用户只需说出自己的需求,AI就能立刻理解并开始执行,而且可以在执行过程中被随时打断、追问或调整要求。Qoder Voice的上线,标志着AI智能体从"打字交互"进入"语音协作"的全新阶段。
目前市面上多数AI智能体仍以文本交互为主。在长上下文场景下,文字输入效率较低且不够直观。而传统语音交互多采用单向输入模式,用户对着手机说一句话、等AI回答一句,无法形成持续对话。Qoder Voice的突破性在于引入了阿里自研的实时全双工语音模型Qwen-Audio-3.0-Realtime。全双工意味着用户和AI可以同时说话、互相打断,就像两个人在真实的对话场景中一样自然。
Qoder Voice在功能设计上体现了对开发者工作流的深度理解。用户可以在Qoder Quest模式主界面点击语音入口,在任意界面唤起悬浮语音助手。收到语音指令后,Qoder Voice能够自动创建任务、调用工具并持续执行。更关键的是,用户无需停留在当前页面等待结果,可以在交互过程中随时打断、追问或调整需求,实现语音交互与任务执行的同步并行。
这一能力对场景的想象空间非常大。在代码重构场景中,开发者可以语音描述重构思路,AI实时生成方案,开发者通过语音继续讨论不同方案的优劣并实时修改需求。整个过程比传统打字交互快了数倍。在方案撰写场景中,用户只需说出需求框架,AI自动填充内容,用户再通过语音调整细节。在系统运维场景中,工程师可以一边查看监控面板一边语音指挥Agent排查故障,双手完全解放。
据阿里方面披露,目前Qoder已服务中国一汽、中信证券、亚信科技等数十万家企业,全球用户超过500万。Qoder Voice已率先登陆Qoder国际版,面向个人订阅、个人体验版及企业订阅用户开放,并提供3天限时免费试用。Qoder中国版也将在近期上线。
Qoder Voice的发布,进一步加剧了AI办公Agent领域的平台级竞争。7月28日当天,美团发布了搭载LongCat-2.0的全场景AI Agent平台CatPaw,提供开箱即用的AI工作台与企业级Agent开发托管服务,内部已覆盖9万员工、搭建超过3万个Agent。与此同时,360集团创始人周鸿祎正式发布企业智能体工作平台"纳米Work",宣布为首批用户每人提供1亿Token试用额度。
整个7月最后一周,中国AI办公Agent领域出现了前所未有的密集发布潮。腾讯整合WorkBuddy与QClaw,阿里内测"千问办公"整合QoderWork、悟空、MuleRun三款产品,美团推出CatPaw,360发布纳米Work,各家巨头都在争抢下一代生产力入口的制高点。Gartner的预测更为激进:到2028年,超过半数的企业将停止为单纯的辅助型AI付费,转向可自主执行任务的智能体平台。
尽管Qoder Voice展现出的实用性令人振奋,但语音交互智能体的大规模普及仍面临一些现实挑战。首先是环境噪音问题——在开放式办公环境中,语音交互可能受到周围声音的干扰。其次是隐私问题——语音指令的录制和传输可能涉及敏感信息,企业用户对此高度敏感。第三是多语言和方言的准确识别——虽然Qwen-Audio-3.0-Realtime在国际评测中表现出色,但在中文方言和混合语言场景中仍有提升空间。
阿里方面表示,Qoder Voice的底层模型在Artificial Analysis发布的Speech to Speech Index评测中获得84.1分,位列全球第一。这个指标涵盖了语音识别的准确性、响应延迟的实时性和任务执行的可靠性等多个维度。随着语音模型的不断迭代和用户使用习惯的逐步养成,语音Agent有望成为智能体人机交互的主流方式。
从百度Qoder Voice到美团的CatPaw,从360的纳米Work到腾讯的QClaw,中国AI办公Agent市场正在经历一场史无前例的密集发布潮。每个产品都在争夺同一个核心生态位——下一代生产力入口。语音交互作为一个差异化竞争维度,正在被越来越多的厂商重视。从技术成熟度来看,全双工语音模型的能力在过去一年中取得了显著进步,识别准确率、响应速度和连续对话的稳定性都有了质的提升。但语音Agent在嘈杂环境中的识别准确率、在多轮复杂任务中的上下文保持能力,仍然是需要持续优化的技术难题。Qoder Voice作为先行者,将在实际使用中积累宝贵的经验数据,为其后续迭代奠定基础。从开发者体验来看,Qoder Voice最大的创新在于它让AI编程的交互方式更接近人类自然协作的模式。在真实的软件开发团队中,工程师之间讨论技术方案、评审代码、调试问题都是通过语言来完成的。Qoder Voice让开发者与AI之间的协作回归到了这种最自然的交流方式。