Qwen Audio Agent
让语音助理在对话持续进行时并行完成后台任务。
这个 Agent 能做什么，适合哪些场景？
Qwen Audio Agent 是一个实时语音运行时，通过 Gateway 将持续语音对话与异步后台任务结合起来。它提供终端 TUI、WebUI 和 macOS 桌面悬浮球；桌面版内置 Gateway，也可连接同一用户配置目录中已运行的 Gateway。前台可使用 DashScope 的 Qwen Audio 3.0 Realtime，或连接 Hugging Face speech-to-speech 提供的 OpenAI Realtime 兼容服务。需要持续处理或调用工具的请求可交给后台 Agent，任务状态与结果会回到当前对话。它还在本地保存用户档案、明确要求记住的信息、任务状态和经凭据脱敏后轮转的日志。
运行 qwenaudio 后，Gateway 连接配置的实时语音前台服务，接收麦克风音频并维持语音对话。可直接回答的内容由前台处理；需要长期执行的工作则可交给由 AGENT_PROTOCOL 或 --backend 选定的后台 Agent。已配置的 OpenCode、OpenClaw、Qoder、Kimi Code、Hermes、CodeBuddy、Codex 或 Claude Code 可作为后台选项，其中通用 ACP stdio 接入使用 ACP_COMMAND、ACP_ARGS、ACP_LABEL 和 ACP_WORKSPACE 配置。用户可通过 qwenaudio setup 查看可用后台 Agent，并查询、追问或取消异步任务；完成结果会返回到当前对话。它把 USER.md、frontend-memory.json、tasks.json 和 logs/ 保存在 ~/.config/qwaudio/。
- 希望在语音聊天不断开的同时，把资料查询或工具调用交给后台处理的个人助理用户。
- 已使用 OpenCode 或 OpenClaw，想通过语音入口复用其用户级模型、工具、MCP、Skill 和认证的开发者。
- 在 macOS 上希望使用常驻菜单栏、可自动隐藏并通过快捷键唤回的语音悬浮球的用户。
- 拥有 NVIDIA GPU 或 Apple Silicon，且希望将 VAD、STT、LLM、TTS 语音链路部署为本地 speech-to-speech 服务的用户。
- 需要把 Gateway 安装为用户后台服务，并以语音持续追踪多个独立任务状态的用户。
这个 Agent 有哪些优点和局限？
- 全双工实时语音、自然打断和持续多轮对话，与后台任务并行设计明确。
- 同时提供 Gateway、TUI、WebUI 和 macOS 悬浮球，桌面版可自行管理内置 Gateway。
- 支持原生 ACP、内置 ACP 桥接和通用 ACP stdio 配置，可复用已配置后台 Agent 的工具、MCP、Skill 与认证。
- 除默认 DashScope 路径外，还可连接本地或自定义部署的 speech-to-speech OpenAI Realtime 兼容服务。
- 默认实时前台依赖 DashScope API Key；麦克风音频与实时对话会发送至所配置的实时服务。
- Linux 与 Windows 的 TUI 默认半双工，首次使用需要安装 sounddevice 和系统 PortAudio；无回声消除的全双工模式建议佩戴耳机。
- Codex 和 Claude Code 标为外部 ACP 适配，需要安装本体与适配器并由用户完成配置。
- 启用 QWEN_AUDIO_AGENT_BACKEND_PERMISSION_MODE=full 后，后台 Agent 可执行命令和修改文件，仅适合可信项目。
如何安装或部署这个 Agent？
需要 Node.js 22.22.2+ 或 24.15.0+ 与 npm 10+。执行：
npm install -g qwen-audio-agent
然后执行 qwenaudio config，在生成的 config.env 中填写 DASHSCOPE_API_KEY，并可设置 QWEN_AUDIO_REALTIME_MODEL=qwen-audio-3.0-realtime-plus。默认实时前台需要 DashScope API Key；若改用本地 speech-to-speech，可设置 QWEN_AUDIO_REALTIME_PROVIDER=speech-to-speech 和 SPEECH_TO_SPEECH_REALTIME_URL=ws://127.0.0.1:8765/v1/realtime。
如何使用这个 Agent？
完成配置后，在一个终端运行 qwenaudio 启动 Gateway；在另一终端运行 qwenaudio tui 启动终端界面，或运行 qwenaudio webui 使用浏览器界面。若需后台任务，在 config.env 中设置例如 AGENT_PROTOCOL=openclaw，或使用 AGENT_PROTOCOL=acp、ACP_COMMAND=your-agent、ACP_ARGS=["--acp"] 接入支持 ACP stdio 的 Agent。可运行 qwenaudio setup 查看后台 Agent；要长期常驻则运行 qwenaudio gateway install。
这个 Agent 与同类方案有什么区别？
前台语音可选 DashScope Qwen Audio 3.0 Realtime，或用户自行运行的 Hugging Face speech-to-speech。前者需要 DashScope API Key；后者提供 OpenAI Realtime 兼容接口，并可将 VAD、STT、LLM、TTS 组合在本地或按需替换服务。后台方面，OpenCode、OpenClaw、Qoder、Kimi Code、Hermes、CodeBuddy、Codex 和 Claude Code 的接入完整度与准备要求不同；通用 ACP stdio 入口可用于其他支持该协议的 Agent。