拿到通义千问3.5的API，我们跑了三个场景。两个数字很扎眼：语音对话延迟800毫秒内，1小时视频摘要38秒完成。这次更新，看起来是到了“好用”的临界点。
说话带情绪，它能听出来
我们模拟了一段客服对话，用户用明显不耐烦的语气说：“这个功能到底怎么用？说了半天也没明白。”通义千问3.5的语音API在780毫秒内返回了回复，文本前还打上了标签：[情绪：不耐烦；置信度：0.92]。随后的回复语气也自动调整得更耐心了。
这背后是Qwen-Audio 2.0的升级。据阿里云技术博客，新版在语音编码器后加了个情绪分类头，用了超50万条带情绪标注的语音数据训练。实测中，对愤怒、焦虑、高兴、平静这四种基本情绪，识别准确率能到88%以上，但对讽刺、调侃这类复杂语气，判断还不太稳。延迟方面，在华东2节点，平均760毫秒，最慢不超过1.2秒，比半年前我们测的很多语音助手快了近一倍。
63分钟会议，38秒出摘要
我们把一段63分钟的1080p会议录像（约850MB）扔给了视频理解API。38秒后，它返回了一份结构化摘要，包括：
- 核心议题（按时间线分了段）
- 决策点（标出了谁说的）
- 待办事项（自动生成，还附了责任人）
- 情绪波动图（显示会议后半段参与者焦虑度上升了）
这速度比我们之前用Gemini 2.0 Ultra处理30分钟访谈视频（花了15分钟）快了一个数量级。关键在于它用了“分段摘要再整合”的策略：视频先切成3-5分钟的片段并行处理，最后用一个轻量模型做总结。但有个重要前提：视频得先传到阿里云OSS上。如果走实时流，延迟会飙到3分钟以上，所以它目前更适合“会后快速整理”，而不是“边开边记”。
搭个旅行智能体，87行代码，10分钟
第三个测试，我们用官方Python SDK搭了个“旅行规划助手”，能调天气和酒店查询API。核心代码87行，从开始写到调通，大约10分钟。
流程很简单：用QwenAgent类定义角色和工具列表，写好get_weather和search_hotel两个工具函数，然后启动对话循环。模型会自己判断什么时候该调哪个工具。比如用户问：“下周去杭州三天，看看天气，推荐西湖边200-400元的酒店。”模型会自动先查天气，再查酒店，最后整合回复，全程不用你手动提示。
这套框架比我们之前用Claude Code或GPT-5o搭类似东西要轻量。阿里云把工具调用、状态管理都封装好了，你只管写业务逻辑。但它目前只支持阿里云生态内的工具（如函数计算FC、表格存储OTS），想接外部API，得先自己包装成FC函数。
长板和短板，都挺明显
三个亮点很硬：语音能识别情绪、长视频能秒级摘要、搭Agent代码量少。但实测也测出了明确的局限：
- 情绪识别遇到反讽、复杂语境容易误判。
- 视频理解依赖预先上传，实时流延迟高。
- Agent框架强绑阿里云生态，跨云集成麻烦。
价格方面，语音API每千次调用约15元，视频理解按分钟计费（约0.8元/分钟），Agent框架本身免费，但底层的FC、OTS资源另算。
对于电商客服、会议纪要、内部效率工具这些场景，通义千问3.5的性价比目前确实很高。这已经不是只能在Demo里跑跑的全模态能力，是可以上生产的阶段了。
