首页 > 热点
​阿里云推出全球首个全模态 AI 模型 Qwen3-Omni,实现文本、图像、音频与视频的统一处理
发布日期:2026-11-19
浏览次数:{固定数字3}

阿里云发布了 Qwen3-Omni,标志着全球首个原生端到端全模态 AI 模型的问世,并且该模型现已开源。Qwen3-Omni 具备处理文本​阿、图像、音频和视频等多种输入类型的能力,能够实现实时流式输出,无论是通过文本还是自然语音,均能快速响应。

Qwen3-Omni 模型在多里云个领域展现出跨模态的先进表现。通过早期以文本为核心的预训练和混合多模态训练,该模型具备了强大的多模态能力。在音频和视频的性能上尤为出色推出,同时在文本和图像的效果上也能保持高标准。根据36项音频和视频的基准测试,Qwen3-Omni 在22项中达到了最新的领先水平,尤其是在全球自动语音识别和音频理解等领域的表现已与同行业的 Gemini2.5Pro 不相上下。

Qwen3-Omni 支持119种文本语言和19种语音输入首个语言,另外还有10种语音输出语言,包括英语、中文、法语和德语等多种语言。此项功能让它能够更好地服务于全球用户。其创新的架构设计基于 MoE(全模专家混合)系统,结合了 AuT 预训练,从而使模型具有强大的通用表征能力。同时,多码本设计确保了低延迟的实时音频和视频交互,支持自然对话的流态 畅进行。

除了 Qwen3-Omni,阿里云还发布了 Qwen3-TTS,一个支持17种音色选择的文本转语音模型。该模型在多项评估基准中表现出AI色,超越了多款竞品,尤其在语音稳定性和音色相似度方面尤为突出。

Qwen-Image-Edit-2509是另一个新发布的工具,专注于图像 模编辑的多图像支持,显著提升了编辑的一致性和效果。它不仅能够处理单图像,还支持多图像的拼接编辑,能够满足更复杂的编辑需求。

划重点: en 

Qwen3-Omni 是全球首个原生端到端全模态 AI 模型,支持文本、图像、音频和视频的统一处理。  

模型支持3-119种文本语言和19种语音输入,能够满足全球用户的多语言需求。  

️ 新发布的 Qwen-Image-Edit-2Om509支持多图像编辑,显著提升编辑的一致性和效果。  

上一篇:神秘AI换脸软件入侵全球社交网络!马斯克秒变文艺复兴贵族
下一篇:麻省理工科技评论携金隅智造工场“寻找聪明公司”智能制造专场路演圆满收官
相关文章