Qwen Audio Realtime
在一个持久实时会话中完成语音理解、轮次检测、推理和语音生成，适合追求最低延迟的 Speech-to-Speech Graph。
| 属性 | 值 |
|---|---|
| Node Type | qwen.audio_realtime |
| 层级 / 角色 | algorithm / transform |
| Capability | speech.to.speech.realtime |
Port
| Port | 方向 | Schema |
|---|---|---|
audio_in |
输入 Audio | PCM S16LE、16 kHz、单声道、流式 |
audio_out |
输出 Audio | PCM S16LE、24 kHz、单声道、流式 |
transcript_preview_out |
输出 Text | 供 Graph 内部消费的用户临时转写 |
transcript_out |
输出 Text | 用户最终转写 |
response_text_out |
输出 Text | 助手回答增量 |
event_out |
输出 Event | 说话状态、回答完成、打断和转写失败 |
signal_out |
输出 Signal | 通过显式 Edge 路由的打断/取消控制 |
配置
model 默认是 qwen-audio-3.0-realtime-flash；voice 选择音色；instructions 定义助手行为；
turn_detection 支持 server_vad 或 smart_turn。门面 Demo 使用 Qwen Realtime 内部的
server_vad，保持“一个 Realtime Node 完成 VAD、ASR、LLM、TTS”的设计边界。
input_chunk_ms 默认是 100：Node 会把 Agora 的 10ms PCM Frame 聚合成百炼推荐的
100ms/3200-byte WebSocket 音频块，同时仍在每个 Runtime 回调中轮询服务端事件。
Node 在发送任何音频前会严格完成 session.created → session.update → session.updated 握手；
配置超时或被服务端拒绝时，Runtime 会直接给出协议错误，不会进入“音频在增长但模型没有响应”的假运行状态。
发生打断时，Qwen Node 会取消自己的生成、发出 muxiva.voice.speech.started Signal；Agora
Audio Sink 收到 Signal 后清空尚未播放的 PCM。算法 Node 不再包含客户端专用 Port；项目内的
voice_room.event_encoder 直接消费 transcript_preview_out、transcript_out、
response_text_out 与 event_out，再生成 Voice Room 协议。NotificationBus 仅用于本地观测。Voice Room 会显示 YOU ARE SPEAKING 和
BARGE-IN · INTERRUPTING AGENT；服务端日志中的 [MUXIVA][AGORA][audio.cancelled] 给出实际
清除的字节数。
如果 RTC Frame 持续增长但没有回答，先看 Observe 中 Qwen Node 的
input.audio_peak_pcm16 和 input.audio_mean_abs_pcm16：二者始终接近 0 说明浏览器发布的是
静音或选错了输入设备，并不是 ASR 网络堵塞。Voice Room 同时直接显示浏览器的 MIC LEVEL，
连续 5 秒没有检测到语音能量会给出黄色诊断提示。