Qwen3.5-Omni发布：Plus/Flash/Light三版本、215项SOTA、多模态能力超Gemini
昨晚，阿里千问团队正式发布新一代模型Qwen3.5-Omni，该模型不仅原生支持文本、图片、音频、视频的实时交互，更在215项第三方基准测试中拿下了SOTA（业界最优）。
特别是在音频与音视频理解能力上，它全面超越了全球顶尖的Gemini-3.1 Pro。而且API调用价格不足Gemini-3.1 Pro的十分之一，每百万Tokens输入不到0.8元。
它所带来的声音克隆与音视频编程能力，将彻底改变游戏开发、短视频直播和自媒体内容生产。
215项SOTA
多模态已经成了如今模型的标配，很多人觉得Deepseek没豆包好用，就是因为Deepseek缺少多模态。但问题在于，过去大多数所谓的“多模态”，实际上是把语音转成文字，然后再把文字转成语音，本质上还是文本大模型处理。这种拼接模式不仅延迟极高，而且会丢失语气、情绪和环境背景音等大量关键信息。
但是这次最大的变化在于，Qwen3.5-Omni实现了真正的原生全模态。
Qwen3.5-Omni采用了先进的Hybrid-Attention MoE架构，并延续了经典的Thinker-Talker分工模式进行了底层重构。Thinker（理解中枢）支持256k的超长上下文，结合TMRoPE技术，它能精准抓取长时序中的信息，不会出现前面看完后面忘的现象。Talker（表达中枢）则引入了全新的ARIA技术与RVQ编码，这种架构直接替代了沉重的DiT运算，不仅彻底解决了语音输出中常见的漏字、数字误读问题，还赋予了模型强大的实时语音能力。
正是基于这种原生架构，Qwen3.5-Omni在DailyOmni、QualcommInteractive、Omni Cloze等视听交互测试中，得分大幅领先Gemini-3.1 Pro。在检测嘈杂环境抗干扰能力的WenetSpeech测试中，它的错误率更是远低于竞品，识别准确率极高。
但跑分高就一定好用吗？真正让业界坐不住的，是它在业务场景里的惊人能力。
声音克隆与实时交互
在声音方面，Qwen3.5-Omni简直是一位顶级的配音演员。
在官方展示的Voice Chat实时交互体验中，Qwen3.5-Omni展现出了恐怖的声音克隆能力。只需提供几秒的参考音频，模型就能迅速克隆出音色，连情感起伏、停顿习惯和说话风格都一并复刻。官方透露，这项功能的工程化部署即将全线上线。
我们来看看它的核心亮点。
实测案例一：情绪控制与语义打断
在实时对话场景中，用户可以随时通过语言指令控制AI的语速、音量和情绪。例如，你可以直接对它说：“请用开心一点的语气，语速加快一倍给我讲这个故事。”AI会在下一秒无缝切换状态。
同时它还支持语义打断，以前我们和AI语音，咳嗽一下或者旁边有杂音，AI就会停止说话。而Qwen3.5-Omni能够分辨咳嗽、背景噪音与真正插话的区别。当用户想要打断并提出新问题时，它会自然地停下，听取新指令，实现自然对话。
实测案例二：方言与小语种
在多语言Multi-Lingual测试中，Qwen3.5-Omni显著优于Gemini-2.5-Pro-TTS。新模型支持113种语种及方言的语音识别，同时支持36种语种及方言的语音生成。哪怕是使用人数不足一百万的毛利语，或者是国内的海南方言，它都能识别并流利对答。
声音克隆与多语言能力的结合，将对诸多行业产生颠覆性影响。
在游戏行业，开发一款拥有大量NPC的RPG游戏，配音成本占据了极大的预算。现在，游戏公司只需要录入样本，就能批量生成无数个拥有独立音色、情绪饱满的NPC对话，并且可以根据玩家的实时互动，动态改变NPC的语气。
在直播与自媒体领域，虚拟主播和内容生产也同样受用。创作者可以克隆自己的声音，输入文案，就能批量产出短视频配音，解放人力。
除了声音克隆大放异彩，Qwen3.5-Omni在视觉与代码的结合上也同样出色。
音频Vibe Coding
AI编程最火的词莫过于Vibe Coding（氛围编程），但过去的Vibe Coding大多依赖纯文本或静态图片驱动。Qwen3.5-Omni开启了下个阶段，Audio-Visual Vibe Coding（音视频氛围编程）。
在实测视频中，测试者打开电脑摄像头，拿出一张画有迷宫草图的白纸放在镜头前，一边指着草图，一边口述：“帮我写一个网页版的吃豆人游戏，UI界面参考这张纸上的布局，主角颜色要设置成亮黄色，吃到金币时要有音效反馈。”
Qwen3.5-Omni在短时间内就理解了画面中的草图结构，结合语音需求，生成了带有复杂UI的产品原型界面和完整的Python/前端代码。用户只需点击运行，一个完整的网页游戏就诞生了，真的“动动嘴即可编程”。
在另一个实测视频中，Qwen3.5-Omni对于游戏录屏进行了拆解。它可以自动生成带有时间戳的字幕，精准识别画面主体、人物关系、背景音乐变化、镜头场景切换，甚至还能进行说话人映射，分清每一句话是谁说的。
结合其原生支持的10小时音频或400秒720p视频输入能力，开发者可以直接把一段热门游戏的游玩视频发给模型，要求它：“分析这段视频里的战斗逻辑和角色互动，帮我生成一个类似的核心玩法代码框架。”模型就能直接从游戏画面和视频输入中提取逻辑，生成动态内容。
实质变化在于，过去开发一款独立游戏，需要写案子、美术画图、程序敲代码，需要一个专业团队耗费数月。现在，AI根据看视频或作者描述出Demo，对于独立游戏开发者来说，是史诗级升级。
千问的生态版图
为了满足不同企业和开发者的需求，Qwen3.5-Omni放出了全家桶阵容：
- Plus版：旗舰级高性能模型，适合处理复杂的全模态推理和重度开发任务。
- Flash版：主打平衡，在保证极高智能水平的同时，提供更快的响应速度，适合实时直播互动和高频次调用的自媒体工具。
- Light版：轻量级模型，成本低，为边缘设备和简单查询任务打造。
在定价策略上，阿里云展现出了极强的野心。
在阿里云百炼平台上，开发者和企业调用Qwen3.5-Omni模型的API，每百万Tokens输入不到0.8元。这比它的直接竞品Gemini-3.1 Pro的十分之一还要低，主打一个价格战，抢占市场。
目前，Qwen3.5-Omni的生态入口已经全面敞开。普通用户可以直接前往Qwen Chat网页端，点击右下角的语音/视频按钮免费体验实时交互；开发者可以在Hugging Face的专属合集页面找到离线Demo和在线语音Demo进行二次开发；企业级用户则可以直接登录阿里云百炼控制台，调用已经全面上线的Plus、Flash、Light三种API。
同时，当前通义千问已稳居中国企业级大模型调用市场第一，服务涵盖互联网、金融、消费电子及汽车等重点行业超过100万家客户。这次Qwen3.5-Omni的发布，凭借其原生多模态预训练（包含海量文本/视觉以及超过1亿小时音视频数据）的深厚底蕴，必将进一步巩固其在企业级市场的霸主地位。微信公众号：Tahou_2025）
关注塔猴公众号，扫码下载塔猴APP，查看更多干货
扫码加入官方社群
