Qwen-Audio-3.0-Realtime 的音频通道是双向的，但打断动作不会自动发生。要解决客服机器人“一讲到底”，需要把打断当成一个独立的输入事件去处理：播放话术时持续检测用户语音，一旦命中唤醒词或VAD判定的有效语音，就触发回调，由接入方暂停播放并切换到聆听模式。这个机制不依赖模型内部逻辑，而是完全由客户端的事件循环控制。

判断：打断的关键在于把用户语音识别为事件，而不是让模型自动插话。适用场景：客服播报过程中允许用户抢话。操作：在API参数中开启VAD，设置唤醒词列表，在回调函数中执行暂停播放并启动录音。验证：使用固定音频模拟用户说唤醒词，观察回调日志是否触发。边界：唤醒词是辅助手段，能降低误触发；不同噪音环境必须调整VAD阈值，且具体字段名需以实际API文档为准。

明确打断触发点与唤醒词作用域

在配置前，先画出状态流转图，明确打断发生在哪个环节。下图是一个典型的客服语音对话状态机：

IDLE → PLAYING → LISTENING → PROCESSING → IDLE
          ↑           |
          └───────────┘（打断触发点）

打断触发点位于 PLAYING 状态。当正在播放话术时，如果 VAD 检测到用户声音且命中唤醒词，就跳转到 LISTENING，暂停播报。这里要区分两个概念：VAD 用于检测“有没有人说话”，唤醒词用于确认“是不是在叫我”。如果只依赖 VAD，很容易被环境噪声或旁白触发误打断；如果只依赖唤醒词，用户可能必须要说出特定词才能插话。

因此建议：唤醒词作用域只定义为‘暂停当前播报’，不要在同一回调里执行其他业务逻辑。这样在状态流转中，打断是单向的：PLAYING → LISTENING 后，系统进入聆听模式，等待用户说完话再进入 PROCESSING。如果用户长时间没有继续说，可以再回到 PLAYING。

查阅接口文档中语音活动检测参数

需要在 API 文档中找到对应参数。通常，搜索‘VAD’、‘voice activity detection’、‘interrupt’或‘wake word’这几个关键词，参数会出现在音频输入配置或会话参数区域。常见的字段名有 enable_vad、vad_threshold、wake_word、interrupt_detection 等，但不同版本可能命名不同，因此先找到实际字段名再动手。

建议记录以下内容到一个本地配置表：

• 参数名（API 文档中的准确名称）
• 类型（bool、float、list 等）
• 默认值
• 可调整范围（如 vad_threshold 可能是 0.0~1.0 的浮点数）
• 单位（如超时时间可能是毫秒）

这份记录会直接影响后续调参的边界。如果某个字段在文档中不存在，不要假设它有默认值，而是回到回调事件层面自己实现。

在回调函数中处理打断事件

VAD 和唤醒词识别结果，最终会以事件回调的形式传回客户端。下面是一个通用接入骨架，展示如何切换音频播放状态：

def on_user_voice_detected(payload):
    # 暂停当前正在播放的播报音频
    audio_player.pause()
    # 进入聆听模式，开始采集用户完整表述
    session.start_listening()
    # 留下日志，便于后续排查
    logger.info("user voice detected at %s", payload.get("timestamp"))

def on_wake_word_detected(word, confidence):
    # 只有置信度高于阈值时才打断，避免误触发
    if confidence > 0.7:
        on_user_voice_detected({"timestamp": now(), "word": word})

client = QwenAudioRealTimeClient(
    api_key="...",
    # 主动关闭自动打断，让回调函数控制
    auto_interrupt=False,
)
client.on("user_voice", on_user_voice_detected)
client.on("wake_word", on_wake_word_detected)

这段代码将 VAD 和唤醒词两个事件都导向同一个暂停动作。注意，auto_interrupt=False 是示例，若 API 默认自动打断，需要先在配置中关闭，否则回调逻辑会与内部逻辑冲突。

使用模拟音频测试唤醒词命中情况

配置完成后，用一段固定音频验证唤醒词是否命中。准备一段约 3 秒的测试音频，内容为：

你好小Q，我要转人工。

将这段音频播放给系统，同时观察客户端日志。如果配置正确，应当看到类似以下记录：

[12:00:01.000] INFO  AudioFrame received
[12:00:01.201] INFO  VAD energy=0.72
[12:00:01.205] INFO  Wake word "你好小Q" detected, confidence=0.88
[12:00:01.206] INFO  Playback paused
[12:00:01.207] INFO  Listening started

同时，播放器应在唤醒词命中后立即停止输出。如果日志中没有出现 wake_word 相关记录，先回到接口文档确认字段名是否一致；如果出现了记录但播放未暂停，检查回调函数中的暂停调用是否被同步执行。

记录不同环境下的灵敏度阈值

不同环境需要的 VAD 阈值和唤醒词置信度阈值差别很大。以下是一组初始参考值，必须结合现场音频测试后调整。

这里的阈值只作为调节起点。建议每改一组参数后，用同一段模拟音频重复上一小节的测试，记录不同阈值下的触发情况和误触发情况，再根据实际场景收敛出一组最适合的配置。同时要把 API 文档中允许的范围标注出来，避免设置超出范围的数值。