ITCOW牛新网 3月30日消息，阿里云通义千问（Qwen）今晚发布了新一代全模态大模型 Qwen3.5-Omni。该模型在音频、视频理解及实时交互能力上实现重大突破，官方数据显示其在多项基准测试中超越 Google Gemini 3.1 Pro，并已通过阿里云百炼平台开放 API 调用。
核心能力：视听全能与代码涌现
Qwen3.5-Omni 主打真正的“全模态”原生能力，不仅能处理文本和图像，更能深度理解音频与视频内容：
- 音视频理解：支持上传长达 10 小时的音频或 1 小时视频，可生成带精确时间戳的结构化摘要（Caption），自动识别画面人物、对话内容、镜头切换及背景音乐变化，将长视频转化为可搜索的“结构化笔记”。
- Audio-Visual Vibe Coding：模型展现出“自然涌现”的编程能力。用户输入音视频指令，模型可直接生成可运行的 Python 代码或前端网页原型，实现从“看到”到“做到”的快速验证。
- 性能对标：在音频理解、推理、翻译等 215 项任务中取得 SOTA（当前最佳）成绩，官方宣称全面超越 Gemini 3.1 Pro。
交互体验：真人级对话与音色克隆
相比前代，新模型在“像人一样交流”的体验上大幅优化：
- 语义打断与语音控制：支持智能语义打断，能区分咳嗽声（不打断）与真实插话（瞬间接住）。用户可通过语音指令实时控制 AI 的语速、音量及情绪（如“小声点”、“用开心的语气”）。
- 音色克隆：用户上传一段录音即可定制专属音色，打造“数字分身”助手，支持多语言生成。
- 长上下文与多语言：支持 256K 超长上下文，识别 113 种语言，并原生集成 WebSearch 联网搜索与 Function Call 工具调用能力。
技术架构与获取方式
- 架构升级：延续 Thinker（理解）- Talker（表达）双模块设计，升级为 Hybrid-Attention MoE 架构，配合 ARIA 技术解决语音漏字、错读问题。
- 模型版本：提供 Plus（最强能力）、Flash（均衡）、Light（轻量）三种尺寸。
- 平台上线：目前已上线阿里云百炼平台，开发者可通过 API 调用，普通用户也可在 Qwen Chat 等渠道体验。
