Qwen3.5-Omni: 215 SOTAs、オーディオとビデオオーバーハードジェミニ
2026年3月30日、アリ・バババの旗下にあるアリは、Qwen3.5-Omni Magnificent Modelを正式にリリースしました。このモデルは、開発者のコミュニティにおいて、SOTAのパフォーマンスの215国際テスト、非常に費用対効果の高い利点とビデオ理解のブレークスルーを生成しました。 このモデルは、テキスト、写真、オーディオ、ビデオの入力をシームレスに理解するだけでなく、Google Gemini-3.1 Proを超えて多くのタスクを実行し、自然にAudio-Visual Vibe Coding機能が登場します。 この論文は、Qwen3.5-Omniのコア・ハイライト、技術ブレークスルー、アプリケーションを詳しく紹介します。
中心の明るさ
Qwen3.5-Omniは、アリが立ち上げたすべてのモジュラーメガモデルの最新の世代であり、次のコアハイライトです。
- 完全なモードの理解:テキスト、映像、音声およびビデオ入力の継ぎ目が無い理解
- 215 SOTAs:音声とビデオの分析、推論、対話、翻訳のGemini-3.1を超えて
- オーディオビジュアルバイブコーディング:自然に新しいオーディオとビデオプログラミング機能
- リアルタイム対話:セマンティックの中断、音のクローニングおよび音声制御をサポート
- 過剰なコンテキストと113言語の認識のための256Kをサポート
- スマートミッションの実行:WebSearchと複雑なファイナンスコールのオリジナルサポート
可聴周波/ビデオ理解の機能
ビデオ作成と編集
Qwen3.5-Omni-Plusを有効にするビデオをアップロードして、細かい粒子で押す時間で正確なキャプションを生成します。
- 誰ですか? それは何ですか?
- 背景音楽が変化する2秒は?
- 数回カメラを切りました。
- すべてのフレームで何が起こったのか?
- ビデオが敏感かどうかを判断するため。
- 長いビデオを検索可能な構造のノートに回して下さい
オーディオとビデオコマンド生成コード
リクエストに応じて、Qwen3.5-Omni は実行中のコードを直接生成できます。 これは最も驚くべき発見です: 専門的な訓練なしで、モデルは自然にバイブコーディングで出現します。 ビデオロジックに基づいて、Pythonコードやフロントエンドのプロトタイプを生成し、クリエイティブ検証を1つのステップでのみ取得できます。
リアルタイムの会話のように。
Qwen3.5-Omniに話して、実際の人々と話してみたいです。
- 耳を傾ける方法を知っている:咳や伴奏は間違いによって止まらないが、実際の介入は瞬時に起こりうる。 泊まる
- 音声制御:人間として自由に音の大きさ、速度および感情を制御するために、幸せな音を使用するために、その声を維持するためにそれを命令して下さい。
- サウンドクローニング:録音の一部をアップロードし、排他的なAIアシスタントトーンをカスタマイズして多言語化をサポート
音声とやりとりできるデジタルダブルハッティングアシスタントを作成したり、より個人的にやり取りしたりすることができます。
スマートタスク実行
話だけでなく、Qwen3.5-Omniはあなたを助けることができます:
北京の明日の天気について尋ね、オンライン検索の必要性があるかどうか、リアルタイム情報を検索し、完全なアドバイスを与えるためのツールを呼び出して、独自の判断をすることができるホテルをお勧めします。 WebSearchと複雑なツールをネイティブでサポートし、モデルを本当にあなたのエグゼクティブアシスタントにします。
パフォーマンス: 215 SOTAs
Qwen3.5-Omni-Plusは、オーディオ/ビデオの理解、推論、インタラクティブなミッション、カバーに関する215 SOTAの達成を獲得しました。
- オーディオ/ビデオ理解
- 音声理解
- 音声認識
- 音声翻訳
- 音声生成
Geomini-3.1 プロ:
- ユニバーサルオーディオの理解、推論、認識、翻訳、ボード全体の対話
- 全体的な音声/ビデオ理解機能は Gemini-3.1 Pro です
- Qwen3.5モデルのサイズに等しい視覚およびテキスト機能
3次元。 異なるシナリオを満たします。
| バージョン | 仕様 | シーンを適用する |
|---|---|---|
| プラス | ベストパフォーマンス | 複雑な仕事、専門の適用 |
| フラッシュ。 | 速度とのバランス性能 | 毎日の使用、速い応答 |
| ライトライト | 軽量 | 運動終了、リソース制限シーン |
技術仕様
| 仕様 | パラメーター |
|---|---|
| コンテキストの長さ | 256Kの |
| 言語サポート | 113種 |
| 音声処理 | 10時間以上 |
| ビデオ処理 | 1時間(720 P、1 FPS) |
| コンテンツ | モエへのこだわりをミックス。 |
使用方法
ユーザーは、API用のQwen3.5-Omniを検索することができます, プラスを提供します, フラッシュと異なるシナリオを満たすために光の寸法.
前世代と比較して、
- 長い文脈:128Kから256Kへの
- 多言語化:80+から113までのサポート言語
- 可聴周波視覚理解:重要な容量の強化
- リアルタイムの相互作用:新しい皮膜の壊れ目、健全なクローニング、声制御
- 音声出力:ARIA技術と組み合わせて安定性と自然性を改善
インフォメーション
Qwen3.5-Omniのリリースは、大規模な全モジュールモデルの分野で重要なステップをマークしました。 215 SOTA達成、Gemini-3.1 Proを超える性能とVib Codingの自然な出現は、モデルの強さを示しています。
開発者にとって、Qwen3.5-Omniは完全に機能的で、堅牢で費用対効果の高いオプションを提供します。 音とビデオの理解、リアルタイムの対話とインテリジェントなタスクの実行の両方が行えます。
今日の「競争の激しいAIメガモデル」では、国内モデルは、国際的リーダーシップを上回るスピードを上げています。 Qwen3.5-Omniのリリースは間違いなく中国のAI業界に強い針を注入しました。
Qwen3.5-オムニ!