牛透社 2025 年 9 月 23 日消息，阿里云发布全球首个原生端到端全模态人工智能模型 Qwen3-Omni，该模型已在 GitHub 和 Hugging Face 平台开放源码。

Qwen3-Omni 支持文本、图像、音频、视频多模态数据的实时流式处理，响应速度达亚秒级。其在 36 项音视频基准测试中刷新 22 项指标纪录，语音识别能力与 Gemini 2.5 Pro 持平，支持 119 种文本语言，19 种语音输入及10 种语音输出。通过 MoE 架构与自研 AuT 预训练技术，模型实现音视频交互延迟低至 130ms。

同步推出的 Qwen3-TTS 模型提供 17 种专业音色，语音稳定性及音色相似度超越竞品。多图编辑工具 Qwen-Image-Edit-2509 支持多图拼接，CIDEr 评分大幅提升。