Qwen3-Omni：阿里推出首个本地端到端全模态AI模型
阿里巴巴于八月发布Qwen3-Omni，将其定位为首个“本地端到端全模态人工智能”。该模型可一次性处理文本、图像、音频和视频输入，但仅输出文本和音频。与其他在文本优先系统中叠加语音或视觉功能的模型不同，Qwen3-Omni从底层集成所有模态，支持实时响应。
模型支持119种语言文本、19种语言语音输入及10种语言语音输出。激活后提供为期三个月的100万Token免费额度，覆盖全模态调用。
三大版本适配多元场景
阿里云推出三个Qwen3-Omni-30B-A3B版本，均采用专家混合（MoE）架构以实现高并发与快速推理：
- Instruct模型：结合Thinker与Talker组件，处理音视频及文本输入，生成文本与语音输出。Thinker负责推理和多模态理解，Talker生成自然语音对话。
- Thinking模型：专注推理任务与长思维链处理，接受多模态输入但仅输出文本，适用于需详细书面回答的场景。
- Captioner模型：专为语音字幕开发的微调变体，能准确且低幻觉地将语音转为文本描述。
目前，Qwen3-Omni已在Hugging Face、GitHub及阿里巴巴API上线，并提供更快的“Flash”变体。
性能对标主流大模型，开源商用友好
基准测试显示，Qwen3-Omni在36项测试中22项领先竞品。其在文本推理、语音处理、视觉识别及视频理解领域表现优异：AIME25得分65.0（GPT-4o为26.7），ZebraLogic得分76.0（Gemini 2.5 Flash为57.9），WritingBench得分82.6（GPT-4o为75.5）。
该模型正与OpenAI GPT-4o、Google Gemini 2.5 Pro等展开竞争，基于Apache 2.0许可开源，允许商业使用、修改及分发。应用场景涵盖多语言转录翻译、语音字幕、OCR、音乐标签及视频理解等。开发者还可通过系统提示词微调模型的说话风格与个性。