3 月 30 日，阿里 Qwen 團隊推出了 Qwen3.5-Omni，這是他們第一個真正意義上的全模態模型——文字、圖片、音訊、影片全部放進同一個模型裡處理，不是那種把幾個專門模型拼在一起的拼接式架構。
一個模型，四種模態
之前市面上的多模態系統大多是「分工合作」：視覺一個模型，聽覺一個模型，最後再接一個文字模型統合輸出。Qwen3.5-Omni 不一樣，用的是 Thinker-Talker 雙架構加混合注意力 MoE（30B 總參數，每次激活 3B），所有模態在同一套參數裡運行。
這意味著模型能做到以前做不到的事：
- 音影片聯合理解：看完一段影片後同時結合裡面的對話聲音來作答，不是先轉文字再看影片
- 即時語音複製：上傳一段聲音樣本，模型能複刻這個聲線進行後續輸出（目前透過 API 存取）
- 音影片 Vibe Coding：對著螢幕錄製講解，Qwen3.5-Omni 直接生成對應程式碼，不需要打字
規格一覽
| 規格 | 數值 |
|---|---|
| 總參數量 | 30B MoE |
| 每次激活參數 | 3B |
| 上下文視窗 | 256K tokens |
| 最大音訊處理時長 | 10 小時以上 |
| 最大影片處理量 | 400 秒 720p @1FPS |
| 語音辨識語言數 | 113 種 |
| 語音輸出語言數 | 36 種 |
三個版本：Plus（旗艦複雜任務）、Flash（均衡速度與效能）、Light（輕量快速）。
跑分表現
在 215 個測試資料集和 benchmark 上取得 SOTA，其中音訊部分直接超越 Gemini 3.1 Pro：
- MMAU 音訊綜合理解：82.2 vs Gemini 3.1 Pro 的 81.1
- 音樂理解 RUL-MuchoMusic：72.4 vs 59.6，差距拉開不少
- 多語言語音複製穩定性：超越 ElevenLabs、GPT-Audio 和 Minimax
即時對話延遲壓到了 234 毫秒，採用 ARIA 技術（Adaptive Rate Interleave Alignment）動態調節語音節奏，讓輸出聽起來更自然，而不是機械式唸稿。
通用能力也沒有退步，MMMU 視覺理解 82.0%，HumanEval 程式碼 92.6%，LibriSpeech 語音辨識詞錯率 1.7%，基本都在第一梯隊。
語音 AI 格局正在改變
ElevenLabs 一直是語音複製領域的標竿，但 Qwen3.5-Omni 在多語言語音穩定性上超越了它。更重要的是，它把語音複製做成了全能多模態模型的內建功能，而不是一個單獨的垂直產品。
當然，語音複製目前只開放 API，還沒有進入產品介面，估計要等商業化節奏跟上再開放。
整個模型的訓練資料用了超過一億小時的音影片內容，這個量級才能撐起真正意義上的跨模態理解。
音影片 Vibe Coding 這個功能倒是個有意思的方向——以前 Vibe Coding 是用自然語言描述需求，現在是直接對著螢幕錄個影片講解，模型看影片寫程式碼。這條路能走通的話，會是一種很不一樣的程式設計互動方式。
參考來源：Qwen 3.5 Omni: Alibaba's AI Model Can Now Hear, Watch, and Clone Your Voice（Decrypt）；Qwen3.5-Omni: 10-Hour Audio, 4M Frame Video, SOTA in 215 Benchmarks（StableLearn）；CocoLoop、Alibaba Qwen Team Releases Qwen3.5 Omni（MarkTechPost）