AI导读：

9月24日，阿里巴巴在2025云栖大会上发布Qwen3-Omni全模态预训练大模型，该模型在36个音视频基准测试中表现卓越，实现全模态输入输出，交互速度快，支持多语言，应用场景广泛，并已开源三款模型。



　　上证报中国证券网讯（记者杨翔菲）9月24日，2025云栖大会在杭州举行，阿里巴巴正式发布通义全模态预训练大模型Qwen3-Omni系列模型。在36个音视频基准测试中，Qwen3-Omni系列模型有22项达到SOTA水平，其中32项取得开源模型最佳效果，语音识别、音频理解与语音对话能力可比肩Gemini2.5-Pro，成为AI模型领域的重要突破。

　　作为全模态模型，Qwen3-Omni能够实现全模态输入和全模态输出，类似于人类婴儿一出生就全方位感知世界。Qwen3-Omni一开始就加入了“听”“说”“写”多模态混合训练，在预训练过程中采用混合单模态和跨模态数据。Qwen3-Omni在实现强劲音频与音视频能力的同时，单模态文本与图像性能均保持稳定，这是业内首次实现这一训练效果，展现了其技术的先进性。

　　Qwen3-Omni的交互速度更快，纯模型端到端音频对话延迟低至211ms，视频对话延迟低至507ms，为用户提供了更流畅的体验。同时，它支持的语言更多，包括19种语言音频输入、10种语言输出，满足了全球用户的需求。

　　作为一款“会说话”的模型，Qwen3-Omni应用场景广泛，未来可部署于车载、智能眼镜和手机等设备。用户还可设定个性化角色、调整对话风格，打造专属的个人IP。相较传统的录音转文字软件，Qwen3-Omni能够处理长达30分钟的音频文件，无需切割音频，即可精准识别语音、深度理解内容，大大提高了工作效率。

　　目前，Qwen3-Omni系列已开源三款模型：Qwen3-Omni-30B-A3B-Instruct、Qwen3-Omni-30B-A3B-Thinking和Qwen3-Omni-30B-A3B-Captioner。值得关注的是，擅长音频描述的模型Qwen3-Omni-30B-A3B-Captioner为全球首次开源的通用音频caption模型，可以清晰描述用户输入音频的特征，填补了开源社区空白，推动了AI技术的发展。

（文章来源：上海证券报·中国证券网）