9 月 23 日消息，又是熟悉的深夜，阿里云今日發(fā)布并開源了全新的 Qwen3-Omni、Qwen3-TTS，以及對標谷歌 Nano Banana 圖像編輯工具的 Qwen-Image-Edit-2509。

Qwen3-Omni 是業(yè)界首個原生端到端全模態(tài) AI 模型，能夠處理文本、圖像、音頻和視頻多種類型的輸入，并可通過文本與自然語音實時流式輸出結(jié)果，解決了長期以來多模態(tài)模型需要在不同能力之間進行權(quán)衡取舍的難題。

Qwen3-Omni 是原生端到端的多語言全模態(tài)基礎(chǔ)模型，其核心特性主要包括：

• 跨模態(tài)最先進表現(xiàn)：通過早期以文本為核心的預(yù)訓(xùn)練和混合多模態(tài)訓(xùn)練，模型具備原生多模態(tài)能力。在實現(xiàn)強大音頻與音視頻性能的同時，單模態(tài)的文本與圖像效果保持不降。在 36 項音頻 / 視頻基準測試中，22 項達到了最新水平，其中 32 項在開源范圍內(nèi)處于領(lǐng)先；在自動語音識別（ASR）、音頻理解與語音對話方面表現(xiàn)可與 Gemini 2.5 Pro 相當。
• 多語言：支持 119 種文本語言、19 種語音輸入語言以及 10 種語音輸出語言。
• 語音輸入語言：英語、中文、韓語、日語、德語、俄語、意大利語、法語、西班牙語、葡萄牙語、馬來語、荷蘭語、印尼語、土耳其語、越南語、粵語、阿拉伯語、烏爾都語。
• 語音輸出語言：英語、中文、法語、德語、俄語、意大利語、西班牙語、葡萄牙語、日語、韓語。
• 創(chuàng)新架構(gòu)：基于 MoE（專家混合）的“思考者–表達者”設(shè)計，并結(jié)合 AuT 預(yù)訓(xùn)練以獲得強大的通用表征能力，同時采用多碼本設(shè)計以將延遲降至最低。
• 實時音頻 / 視頻交互：低延遲流式交互，支持自然的輪流對話和即時的文本或語音響應(yīng)。
• 靈活控制：可通過系統(tǒng)提示詞自定義行為，實現(xiàn)細粒度控制與輕松適配。
• 精細音頻描述： Qwen3-Omni-30B-A3B-Captioner 已開源，這是一個通用型、細節(jié)豐富、低幻覺率的音頻描述模型，填補了開源社區(qū)在該領(lǐng)域的空白。