QwenAudio/qwen-audio-agent

这个项目是给 Agent 用的语音运行时：前台负责全双工语音对话，同时把工具调用、文件操作和长时间任务交给后端 Agent，任务完成后结果自动回到当前对话。它适合想在已有 Agent 之上加一层持续在线语音交互的人，而不是做一个独立的语音应用。

它做什么

运行时分成两部分，可独立组合。语音前端负责实时对话、打断和多轮语音；后端 Agent负责执行任务。不需要工具的问题直接口头回答，需要工具或持续处理的工作异步委托出去，期间可以随时询问进度或取消。完成的结果返回当前对话，可继续追问或修改。README 还记录了按用户区分、跨会话的长期记忆。

如何接入

提供 WebUI、终端 TUI 和桌面悬浮球三种界面，桌面端覆盖 macOS、Windows、Linux。安装要求 Node.js 22.22.2+ 或 24.15.0+ 以及 npm 10+，推荐全局 npm 安装；安装说明介绍了从源码构建的方式。

默认示例配置使用 DashScope 的 Qwen Audio Realtime 前端，需要百炼 API Key，见API Key 页面。前端与后端分开选择：前端包括云端服务（Qwen Realtime、OpenAI Realtime、Gemini Live、Doubao、StepAudio 等）和本地部署（Hugging Face Speech-to-Speech、MiniCPM-o）；后端以通过 ACP 接入的编程 Agent 为主（Qwen Code、OpenCode、OpenClaw、Codex、Claude Code 等），另有仅前端模式和实验性的裸 LLM 后端。README 的星级表示主动验证程度：五星为经过充分测试的推荐组合，四星表示仍在开发或尚未完全验证；后端文档说明了各自的能力边界。

使用路径与要求

• 桌面应用： 带内置 Gateway 的悬浮球，支持空闲休眠和本地语音唤醒。安装包在 releases 页面；从源码构建需使用对应平台的 npm 构建脚本，Linux 构建明确为未签名（AppImage 和 deb）。
• Gateway + TUI： 在一个终端启动 Gateway，另一个终端运行 qwenaudio tui，或用 qwenaudio webui 打开浏览器界面。
• 自定义前端： 实现 Realtime Provider 接口，无需改动核心的语音会话和任务逻辑。

后端 Agent 保留自己的模型凭据和配置，因此复用一个 Agent 会一并复用它的工具、MCP、Skills 和认证。默认云端方案中，配额与计费以百炼当前规则为准，项目提供了新用户额度页面。数据流和隐私另有 PRIVACY.md 说明。

范围与注意

README 说明当前框架侧重桌面生产力。已提供的示例场景包括智能座舱、客服和硬件卡片演示（仅半双工）；具身智能和直播助手仍为计划中，尚不可用。

各前端和后端的具体接入限制在各自的文档中，README 的表格只是起点，不能保证每种组合都经过测试。项目采用 Apache-2.0 许可。