9月24日，2025云栖大会在杭州举行。当日，阿里巴巴发布通义全模态预训练大模型Qwen3-Omni系列模型。在36个音视频基准测试中，Qwen3-Omni系列模型有22项达到SOTA水平，其中32项取得开源模型最佳效果，语音识别、音频理解与语音对话能力可比肩Gemini2.5-Pro。

上证报中国证券网讯（记者 杨翔菲）9月24日，2025云栖大会在杭州举行。当日，阿里巴巴发布通义全模态预训练大模型Qwen3-Omni系列模型。在36个音视频基准测试中，Qwen3-Omni系列模型有22项达到SOTA水平，其中32项取得开源模型最佳效果，语音识别、音频理解与语音对话能力可比肩Gemini2.5-Pro。

作为全模态模型，Qwen3-Omni能够实现全模态输入和全模态输出。类似于人类婴儿一出生就全方位感知世界，Qwen3-Omni一开始就加入了“听”“说”“写”多模态混合训练。在预训练过程中，Qwen3-Omni采用混合单模态和跨模态数据。Qwen3-Omni在实现强劲音频与音视频能力的同时，单模态文本与图像性能均保持稳定，这是业内首次实现这一训练效果。

Qwen3-Omni的交互速度更快，纯模型端到端音频对话延迟低至211ms，视频对话延迟低至507ms；支持的语言更多，包括19种语言音频输入、10种语言输出。

作为一款“会说话”的模型，Qwen3-Omni应用场景广泛，未来可部署于车载、智能眼镜和手机等。用户还可设定个性化角色、调整对话风格，打造专属的个人IP。相较传统的录音转文字软件，Qwen3-Omni能够处理长达30分钟的音频文件，无需切割音频，即可精准识别语音、深度理解内容。

目前，Qwen3-Omni系列已开源三款模型：Qwen3-Omni-30B-A3B-Instruct、Qwen3-Omni-30B-A3B-Thinking和Qwen3-Omni-30B-A3B-Captioner。值得关注的是，擅长音频描述的模型Qwen3-Omni-30B-A3B-Captioner为全球首次开源的通用音频caption模型，可以清晰描述用户输入音频的特征，填补了开源社区空白。