​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

阿里云正式推出 qwen3-omni，宣告全球首个原生端到端全模态 ai 模型的诞生，该模型现已全面开源。qwen3-omni 能够无缝处理文本、图像、音频和视频等多种输入形式，并支持实时流式输出，无论是通过文字还是自然语音交互，均可实现快速响应与高效反馈。

在多项跨模态任务中，Qwen3-Omni 展现出了卓越的性能表现。依托早期以文本为中心的预训练策略以及混合多模态联合训练机制，模型在保持文本与图像处理高水准的同时，在音频和视频理解方面尤为突出。根据涵盖36项音频与视频任务的基准测试结果，Qwen3-Omni 在其中22项中达到了当前最优水平，尤其在自动语音识别（ASR）和复杂音频理解任务上的表现，已可媲美行业领先的 Gemini 2.5 Pro。

该模型具备广泛的语言支持能力，覆盖119种文本语言、19种语音输入语言，以及10种语音输出语言，包括英语、中文、法语、德语等主流语种，显著增强了其在全球范围内的适用性。其核心技术架构采用 MoE（专家混合）结构，并融合 AuT 预训练方法，赋予模型强大的通用表征能力。同时，创新的多码本设计保障了音频与视频交互过程中的低延迟特性，确保自然对话流畅进行。

模力视频

模力视频 - AIGC视频制作平台 | AI剪辑 | 云剪辑 | 海量模板

51

查看详情

除 Qwen3-Omni 外，阿里云还同步发布了 Qwen3-TTS——一款先进的文本转语音模型，支持多达17种音色选择。该模型在多个权威评测中超越主流竞品，尤其在语音稳定性与音色还原度方面表现优异。

此外，全新图像编辑工具 Qwen-Image-Edit-2509 也正式亮相，专注于提升多图协同编辑能力。它不仅支持单张图像的精细化修改，还能实现多图拼接与一致性编辑，极大提升了复杂场景下的图像处理效果与操作体验。

• GitHub: https://www.php.cn/link/451fbb024d0794ffcda2258170740a1e
• Hugging Face: https://www.php.cn/link/705e2dd2077bc06fbc5e2c754e75e500

划重点: ? Qwen3-Omni 是全球首款原生端到端全模态 AI 模型，实现文本、图像、音频、视频的统一建模与处理。 ? 支持119种文本语言与19种语音输入语言，满足全球化多语言交互需求。 ?️ 新推出的 Qwen-Image-Edit-2509 支持多图像联合编辑，显著增强编辑连贯性与视觉质量。

以上就是​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的详细内容，更多请关注php中文网其它相关文章！