阿里云推出全球首个全模态AI模型Qwen3-Omni，实现文本、图像、音视频端到端处理

2025年9月23日，阿里云正式上线了全球首个原生端到端全模态AI模型Qwen3-Omni，还大方开源，这难道不意味着AI领域要迎来新的变革了吗？要知道，以往处理文本、图像、音频和视频得用不同模型，现在Qwen3-Omni一个模型就能搞定，这差距可不是一星半点。它不仅能处理多种输入类型，还能实现实时流式输出，不管是文本还是自然语音，都能快速响应，这效率简直没话说。

模型性能对比

模型性能对比（部分数据）

模型	上下文窗口	推理速度
Qwen3-Omni	超长（具体未公开）	极快（领先行业平均水平）
Gemini2.5Pro	较长	快（行业较高水平）

跨模态先进表现

Qwen3-Omni模型在多个领域都展现出了跨模态的先进表现。它通过早期以文本为核心的预训练和混合多模态训练，拥有了强大的多模态能力。在音频和视频性能上，它表现尤为出色；在文本和图像效果上，也能保持高标准。

据36项音频和视频的基准测试显示，Qwen3-Omni在22项中达到了最新领先水平，尤其是在自动语音识别和音频理解等领域，和同行业的Gemini2.5Pro不相上下。值得一提的是，在图像生成领域，Qwen3-Omni生成的高清图像，色彩鲜艳且细节丰富，和传统图像生成模型相比，优势明显。

强大语言支持与架构设计

Qwen3-Omni的语言支持能力也十分强大。它支持119种文本语言和19种语音输入语言，还有10种语音输出语言，像英语、中文、法语和德语等多种语言都涵盖在内。

这让它能更好地服务全球用户，不管用户来自哪个国家、说什么语言，都能轻松使用。其创新的架构设计基于MoE（专家混合）系统，结合了AuT预训练，让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，能让自然对话流畅进行。

文本转语音模型Qwen3-TTS

除了Qwen3-Omni，阿里云还发布了Qwen3-TTS，这是一个支持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色，超越了多款竞品，尤其在语音稳定性和音色相似度方面表现突出。想象一下，用Qwen3-TTS转换出来的语音，就像真人说话一样自然流畅，是不是很神奇？

图像编辑工具Qwen-Image-Edit-2509

Qwen-Image-Edit-2509是另一个新发布的工具，它专注于图像编辑的多图像支持，显著提升了编辑的一致性和效果。它不仅能处理单图像，还支持多图像的拼接编辑，能满足更复杂的编辑需求。比如，你想把几张照片拼接成一张有创意的大图，用Qwen-Image-Edit-2509就能轻松实现。

Qwen3-Omni模型地址

模型地址： https://huggingface.co/collections/Qwen/qwen3-omni-68d100a86cd0906843ceccbe

GitHub地址：https://github.com/QwenLM/Qwen3-Omni

文章来源：AITOP100，原文地址：阿里云推出全球首个全模态AI模型Qwen3-Omni，实现文本、图像、音视频端到端处理-AITOP100,AI资讯