Qwen3-Omni

Qwen3-Omni是阿里巴巴通義千問團隊於2025年9月26日推出的原生端到端全模態大模型，通過混合單模態和跨模態數據預訓練實現文本、圖像、音頻、視頻的同步處理與流式輸出。

該模型基於MoE架構與Thinker-Talker設計，在36項音頻及音視頻基準測試中獲得32項開源SOTA與22項總體SOTA，語音識別能力超越Gemini-2.5-Pro等閉源模型，支持119種文本語言、19種語音輸入語言及10種語音輸出語言。其端到端音頻對話延遲壓縮至211ms，視頻對話延遲507ms，支持30分鐘長音頻處理和65536上下文長度。模型包含Qwen3-Omni-Flash和Qwen3-Omni-Turbo兩個版本，其中Flash版支持17種音色與流式語音生成。開源生態包括Qwen3-Omni-30B-A3B-Captioner通用音頻描述模型，可自動生成複雜音頻的精準描述。

2025年9月26日發布的Auto Omni汽車解決方案率先搭載該模型，基於高通驍龍8397晶片平台實現端側部署，未來可擴展至智慧型穿戴設備領域，支持用戶定製個性化對話角色。

基本介紹

• 外文名：Qwen3-Omni
• 發布時間：2025年9月26日

發展歷史

2025年9月26日，阿里通義千問正式發布Qwen3-Omni。

模型特點

Qwen3-Omni是原生全模態大模型，預訓練全模態不降智，並在36項音頻及音視頻基準測試中獲32項開源SOTA與22項總體SOTA，超越Gemini-2.5-Pro、Seed-ASR、GPT-4o-Transcribe等閉源強模型。