就在今天凌晨，阿里最新一代千问大模型Qwen3.5-omni来了！仅激活19B参数，就在音频和视听理解基准上超越 Gemini-3.1 Pro！

就在今天凌晨，阿里最新一代千问大模型Qwen3.5-omni来了！

仅激活19B参数，就在音频和视听理解基准上超越 Gemini-3.1 Pro！

整体感受上，有三大亮点。

首先，就是它的“音频-视觉氛围编码”能力。

据X上Qwen官方账号介绍，它是一款自然涌现视听Vibe Coding 能力、内置网页搜索和复杂函数调用的模型。

当你向镜头口述新冒出的点子，Qwen3.5-Omni-Plus 便能立即构建一个功能齐全的网站或游戏。如果你要出门旅行，可以和它视频，它能帮你确认带的衣服适不适合出行目的地的天气。

其次，Qwen3.5-omni系列是真正的原生全模态AI模型。对于纪录片、电影、游戏视频和生活短视频，无论是主题概述、剧情大纲，画面场景、人声对白，还是视听风格，Qwen3.5-omni都能分析得明明白白。

它还支持类人对话，能理解你的真实意图，可以像人一样自由控制声音的大小、语速与情绪，还能克隆你的音色。

最后，拥有超长上下文和多语言识别能力。

X上一枚歪果仁不禁感叹：“阿里巴巴和 Qwen3.5 正在大放异彩。来看看这些多模态基准分数！”

有人评论：“Qwen3-Omni 是首款在视频、文本、音频和图像方面均具优异表现的型号。”

还有位土耳其大哥说：“中国又一次做到了！”

Qwen3.5-Omni这么厉害，是如何做到的？

从技术上看，Qwen3.5-Omni有四点改进值得关注：他们研发了自己的音频Transformer AuT、音频Token 速率降低至 12.5 Hz、Talker 输入的组织方式采用了自适应速率交错对齐（ARIA）与音频合成采用多码本语音合成（Multi-Codebook Speech Synthesis）。

Qwen3.5-Omni延续了上一代的 Thinker-Talker 分工架构，并将Thinker和Talker两部分都升级为 Hybrid-Attention MoE。

在架构中，Thinker 负责理解，通过 Vision Encoder 和 AuT 接受视觉和音频信号输入，处理全模态信号并输出文本。在此之前，Qwen使用 OpenAI 的 whisper 作为他们的音频编码器，但现在Qwen团队研发了自己的音频 Transformer：AuT。AuT 在语音识别和通用音频理解任务上都进行了训练，这使得它更加通用。

在AuT的注意力层之前，音频滤波器组特征会通过 Conv2D 模块进行 8 倍下采样，从而将 Token 速率降低至 12.5 Hz。12.5 Hz 的频率至关重要——这意味着一个音频Token代表 80 毫秒的音频。较低的Token 速率等于更少的计算量，因此支持流式传输。由于 chunk-wise 的流式输入设计和流式 Talker 设计，整个模型可以进行实时交互。

Talker 负责表达，通过接收来自 Thinker 的多模态输入以及文本，进行 contextual 语音生成，语音表征通过 Qwen3-Omni 提出的 RVQ 编码来替代繁重的 DiT 运算。不同于上一代 Qwen3-Omni 的双轨 Talker 输入，Talker 在输入的组织方式上采用了ARIA，这能避免由于文本与语音 Token 编码效率差异导致的语音不稳定性，让表达和发音更准确。

此外，声音听起来像人类的关键在于多码本语音合成，第一个码本捕捉粗粒度语音内容，后续码本捕捉音色、韵律、情感、说话者身份内容。通过这项技术，Talker 不是生成原始音频，而是生成离散代码，这些代码会被解码成波形。同时，千问团队将旧版的慢速扩散解码器替换为轻量级的卷积神经网络（ConvNet），语音延迟极短，可以进行实际对话。

实测：确实夯爆了！

光说不练假把式，我们直接实测：

1.多模态分析能力

最近，“这是鸡，那么这是××”的抽象测试风靡网络，直接让Qwen3-Omni来揭示谜底，

我问：

我们将进行谜底测试，请你给出视觉内容、推理过程、以及最终谜底

经过超长无比的推理之后，千问终于给出了它的答案“照相机”。

而我们的ChatGPT的直接给出了“吉祥”的回答。

你觉得正确答案是哪一个呢？

2.超详细视频脚本

根据Qwen3.5-Omni 在X上的推文，其中一个非常重要的功能就是能够生成带有时间戳、场景剪辑和扬声器映射的详细视频脚本。

不得不说，看到千问给的案例确实非常精彩！

小编自己也上手测了下，确实很夯！

3.音视频编程

如果说上面的功能是夯，那么下面这个只能是夯爆了！

真的有人不想体验一下言出法随吗？

对着镜头说需求，Qwen3.5-Omni-Plus 直接生成可运行网页或小游戏！

例如下面的贪吃蛇短短几分钟就可以直接上手试玩了。

Qwen3.5-Omni生成贪吃蛇小游戏可谓是易如反掌！

在油管上也有网友第一时间进行了测评👇并且评价它

“The Most Powerful AI Ever Built”

当然，除了以上的功能之外，还能够识别识别113种语言、语义打断、音色克隆等等功能！

大家可以亲自上手试用一下~

地址小编也帮大家扒下来了：https://huggingface.co/spaces/Qwen/Qwen3.5-Omni-Offline-Demo

Qwen3.5正在重新定义AI的走向

进入2026以来，相信关注Qwen的朋友能有一个明显的体感：在让大模型进入“参与世界”的执行层面，阿里团队可以说不遗余力。

单拿这次的Qwen3.5-Omini来看，就能明显看出三点方向。

首先，是人机交互的重写。单一的键盘输入正在让位于语音、视觉与上下文的实时协同表达。

紧接着被重构的是创作门槛，过去无论是写代码、剪视频还是做内容，都依赖专业技能的积累，而现在表达能力本身正在变成生产力本身，谁能把需求讲清楚，谁就更接近完成创作。

再往下看，Qwen显然正在致力于Agent真正落地。

当一个模型同时具备多模态理解、实时交互和工具调用能力，它就不再只是一个模型，而是一个可以持续运行、持续执行任务的智能体。

因此，把以上这些串起来看，就会发现Qwen3.5-Omni带来的变化不止只是一个“更强的叙事”，而是一个更完备的Agentic 模型冲锋信号：AI正在获得对世界的完整感知能力，并开始具备直接行动的能力。

这可能是这次Omni模型发布给业界带来最大的惊喜吧！

Agent时代，国产模型都有着怎样的发展思考？相信在接下来的几个月大家就会得到答案。

Let's Scaling up to AGI！

参考链接：

https://x.com/Alibaba_Qwen/status/2038636335272194241

https://qwen.ai/blog?id=qwen3.5-omni