阿里团队自研 AOQ 协议，为多模态 AI 构建确定性传输底座
内容提要
阿里团队自研AOQ协议，基于QUIC优化，支持文本、音频、文件全格式统一承载，实现“实时/非实时”双模自适应，解决端侧弱网低延迟与多模态数据强同步的冲突。通过流级容错、0-RTT建连等增强，在高铁等极端环境下保障确定性低延迟与高可靠体验，已应用于音频通话、语音输入、实时翻译等场景。
延伸解读
AOQ 如何破解“不可能三角”
文章指出，多模态 AI 交互对传输协议提出了实时性、可靠性和同步性的三重需求，而传统协议往往顾此失彼：可靠协议如 WebSocket 在弱网下延迟高，实时协议如 WebRTC 则牺牲可靠性。AOQ 基于 QUIC 进行深度定制，通过流级容错、0-RTT 建连和双模自适应，试图同时满足这三者。这提示读者，协议设计并非单纯追求某一指标，而是需要在多种约束下寻找平衡。
双模自适应的实际意义
AOQ 的“实时/非实时”双模自适应针对大模型输出“快慢不均”的特点设计：实时模式优先保证新鲜度和流畅性，适用于麦克风采集等场景；非实时模式则强调可靠性和超前缓存，适用于可预发送的数据。这种机制意味着协议能根据数据特性动态调整传输策略，而非一刀切。对于开发者而言，理解这一机制有助于在具体应用中合理配置，以兼顾延迟与可靠性。
落地场景与适用边界
文章列举了音频通话、语音输入和实时翻译三个案例，均依托阿里云百炼 Realtime API 实现。这些场景的共同点是端侧弱网环境和对低延迟、高可靠的双重需求。但需注意，AOQ 目前主要面向阿里云生态，且文章未提供独立第三方评测数据。读者在评估其适用性时，应结合自身业务场景和网络条件，并关注官方文档中的具体限制。
Q&A
阿里自研的AOQ协议是什么？它主要解决什么问题？
AOQ（AI Over Quic）是阿里团队自研的传输协议，基于QUIC优化，支持文本、音频、文件等全格式统一承载，并实现“实时/非实时”双模自适应。它主要解决端侧弱网环境下多模态AI交互中实时性、可靠性和同步性难以兼得的问题，为多模态模型提供确定性的低延迟与高可靠体验。
AOQ协议相比WebSocket和WebRTC有哪些优势？
AOQ在强弱网建连效率、弱网低延时、抗卡顿、切网无感与断网续播等维度全面领先WebSocket和WebRTC。它通过0-RTT极速建连、精准带宽估计与动态分配、流级冗余保护与快速重传等增强，在极端弱网环境下提供更稳定、低延迟的传输体验。
AOQ协议如何实现多模态数据的同步？
AOQ在单QUIC连接内原生支持文本、语音、图片、文件、实时流媒体的并行传输，并通过全局时钟同步与关联映射机制，即使模型异步生成音频、视频、文本存在速度差异，也能完成强制同步和映射，避免音画不同步、图文错位等问题。
AOQ协议的“实时/非实时”双模自适应机制是什么？
AOQ针对大模型输出数据“快慢不均”的特性，设计了双模式自适应：实时模式（Real-Time Mode）专为时效性敏感的流式数据设计，如摄像头和麦克风采集，优先保证新鲜度和流畅性；非实时模式（Non-Real-Time Mode）面向对完整性和顺序要求高、可提前发送的数据，优先保证可靠性并超前缓存，降低全链路延迟并增强网络韧性。
AOQ协议在弱网环境下有哪些具体的技术增强？
AOQ集成了多项弱网对抗增强技术：0-RTT极速建连，弱网下瞬间建立安全连接；精准带宽估计与动态分配，感知网络波动并自动调节；流级冗余保护与快速重传，各模态独立建流，实现流维度隔离的前向冗余，不牺牲延时即可消除弱网下的音频杂音或画面马赛克。
AOQ协议在哪些实际业务场景中得到了应用？
AOQ已应用于三个典型场景：一是Realtime API + Qwen-Audio-3.0-Realtime模型实现流畅音频通话；二是Realtime API + Qwen-ASR-3.0-Realtime模型实现语音输入法；三是Realtime API + Qwen 3.5-Livetranslate实现实时翻译。这些场景都要求低延迟、高可靠和强同步。
AOQ协议如何保证数据传输的安全性？
AOQ对全格式数据原生加密，无论控制指令、文本、文件，还是实时音视频、图片，均全时段密文传输，确保端云双向的隐私安全与防劫持能力。
