阿里Qwen3.5-Omni發(fā)布：音視頻交互新突破，全模態(tài)能力登頂全球

全球全模態(tài)大模型競賽迎來新變數(shù)。

3月30日，阿里巴巴正式推出千問系列新一代全模態(tài)大模型Qwen3.5-Omni。

這款模型在音視頻理解、跨模態(tài)推理、實時交互等215項第三方評測中拿下SOTA（State of the Art），直接對標并超越了谷歌Gemini-3.1 Pro的諸多核心指標。

Qwen3.5-Omni跑分圖

與市面上多數(shù)“拼接式”多模態(tài)方案不同，Qwen3.5-Omni采用混合注意力MoE架構(gòu)，在海量文本、視覺數(shù)據(jù)及超過1億小時的音視頻素材上完成了端到端的原生預訓練。

這意味著，Qwen3.5-Omni并非簡單地將語音轉(zhuǎn)文字再處理，而是真正具備對視頻畫面、人物情緒、對話邏輯的深層次理解能力。

據(jù)官方披露，Qwen3.5-Omni支持113種語言及方言的語音識別（包括毛利語、海南方言等小語種），以及36種語言的語音合成。在考察抗噪能力的WenetSpeech測試中，其錯誤率遠低于Gemini；而在Multi-Lingual 30語言語音生成評測中，表現(xiàn)同樣壓過Gemini-2.5-Pro-TTS一頭。

Qwen3.5-Omni跑分圖

更值得關(guān)注的是其實時交互的“情商”——Qwen3.5-Omni能精準區(qū)分用戶的有效指令與隨口附和，自主判斷是否需要調(diào)用工具獲取實時信息（如天氣查詢），對話流暢度已接近真人水平。

如果說年初爆火的Vibe Coding還停留在文字/圖片生成代碼階段，Qwen3.5-Omni則直接將這一概念推進到了音視頻維度。

用戶只需打開攝像頭，對著草圖或?qū)嵨锟谑鲂枨螅呐率前瑥碗s產(chǎn)品邏輯的描述，模型也能直接輸出帶UI界面的產(chǎn)品原型代碼。有意思的是，這一能力并非人工刻意調(diào)教的結(jié)果，而是模型在擴展原生多模態(tài)能力過程中自然涌現(xiàn)的副產(chǎn)品。

這種所見即所得的編程方式，對于產(chǎn)品經(jīng)理、設(shè)計師乃至普通用戶而言，意味著從想法到原型的路徑被壓縮到了分鐘級。

除此之外，Qwen3.5-Omni在專業(yè)內(nèi)容生產(chǎn)領(lǐng)域同樣展現(xiàn)出降本增效的潛力。

模型可對視頻畫面主體、人物關(guān)系、情緒起伏進行像素級拆解，自動完成章節(jié)切片與時間戳標注，支持超過10小時的長音頻輸入。以往需要數(shù)小時的人工后期梳理工作，如今可被縮短至秒級。短視頻平臺、直播平臺、內(nèi)容審核機構(gòu)、游戲廠商等內(nèi)容密集型行業(yè)，或?qū)⒊蔀槭着芤嬲摺?/p>

難能可貴的是，阿里在商業(yè)化路徑上延續(xù)了千問系列的高性價比策略。

目前，Qwen3.5-Omni已通過阿里云百煉平臺開放Plus、Flash、Light三檔API接口，普通用戶也可在Qwen Chat免費體驗。定價方面，每百萬Tokens輸入價格不到0.8元人民幣，不足Gemini-3.1 Pro的十分之一。

據(jù)第三方數(shù)據(jù)，千問系列目前穩(wěn)居中國企業(yè)級大模型調(diào)用市場頭把交椅，覆蓋互聯(lián)網(wǎng)、金融、消費電子及汽車等行業(yè)的超100萬家企業(yè)客戶。

過去半年，市場注意力被OpenAI和谷歌多模態(tài)迭代牽引，國內(nèi)廠商多被質(zhì)疑為跟隨者。但這次，阿里在音視頻理解、方言識別和實時交互等細分維度實現(xiàn)了反超，且選擇了完全開放的API策略。這或許正是中國AI企業(yè)在全球化競爭中找到的有效路徑：不追求在所有榜單上霸榜，但在特定高價值場景建立不可替代性。

如今大模型技術(shù)門檻被抹平，剩下的就是執(zhí)行力的較量了。