阿里巴巴近日正式发布新一代全模态大模型Qwen3.5-Omni，标志着多模态人工智能技术迈入新阶段。该模型突破传统单一模态限制，支持文本、图像、音频及音视频的混合输入与输出，其中音频输出与文本输出可同步生成，为智能交互领域带来全新可能。
技术团队披露，Qwen3.5-Omni系列包含Plus、Flash、Light三种规格模型，最大支持256k长上下文处理能力。在音频处理方面，该模型可连续解析超过10小时的语音内容，音视频输入时长扩展至400秒（720P分辨率，1帧/秒）。经实测验证，模型在215项多模态任务中刷新多项最佳纪录，其音频理解、推理及翻译能力已超越Gemini-3.1 Pro，音视频综合处理水平与之持平。
该模型最引人注目的创新在于"视听编程"能力。在演示场景中，用户通过手机摄像头拍摄手绘草图并语音描述需求，模型即可实时生成对应的前端代码。当测试团队上传50分钟美剧《老友记》时，系统在1分钟内完成全片解析，不仅精准标注时间轴与人物关系，还能识别关键剧情转折点。更令人惊叹的是，模型可根据游戏直播画面自动检测违规内容，展现出色的多模态内容审核能力。
方言支持成为另一大亮点。模型现已兼容39种中国方言与74种外语的语音识别，可合成7种方言及29种语言的语音输出。在闽南语对话测试中，系统准确理解方言语义并生成地道语音回应，仅在极少数专业词汇上自动切换普通话。配合实时网络搜索功能，模型甚至能主动提供当日天气等动态信息，整个交互过程延迟控制在1-2秒。
交互体验实现质的飞跃。新模型引入语义打断机制，允许用户在系统"说话"时随时插入新指令，模型可智能区分有效指令与背景噪音。通过整合端到端语音控制技术，用户能直接调节输出语音的音量、语速甚至情绪表达。更突破性的是音色克隆功能，用户上传30秒语音样本后，模型即可复现该音色并完成多语言转换，在交替传译场景中实现声纹保持。
技术架构方面，Qwen3.5-Omni延续Thinker-Talker分工模式但进行全面升级。Thinker模块采用混合注意力MoE架构，通过TMRoPE编码技术实现长序列高效处理；Talker模块引入RVQ编码替代传统DiT运算，配合ARIA自适应对齐技术，使语音合成稳定性提升40%。经基准测试，新模型在长音频处理效率较前代提升3倍，音视频理解任务响应速度加快2.5倍。
该模型已开放API调用服务，支持离线与实时两种模式。定价体系采用阶梯计费，128k以下输入场景中，音频处理价格为4.96元/百万tokens，文本/图像/视频输入为0.8元/百万tokens。输出端文本+音频综合价格为61.322元/百万tokens，纯文本输出降至9.6元/百万tokens。开发者可通过阿里云百炼平台、魔搭社区及Hugging Face等渠道体验模型能力。
