全新發布！阿里千問全模態大模型 Qwen3.5-Omni 來了：215項SOTA霸榜，音視頻理解超越Gemini

2026年3月30日，阿里巴巴旗下阿里千問正式發佈全模態大模型 Qwen3.5-Omni，一經推出便憑藉215項國際測試SOTA成績、極致成本優勢和突破性音視頻理解能力，在開發者社區引發熱議。這款模型不僅能無縫理解文本、圖片、音頻及音視頻輸入，更在多項任務上超越 Google Gemini-3.1 Pro，還自然湧現出了 Audio-Visual Vibe Coding 能力。本文將詳細介紹 Qwen3.5-Omni 的核心亮點、技術突破和應用場景。

核心亮點一覽

Qwen3.5-Omni 是阿里千問推出的最新一代全模態大模型，核心亮點包括：

全模態理解：無縫理解文本、圖片、音頻及音視頻輸入
215項SOTA霸榜：在音頻及音視頻分析、推理、對話、翻譯等任務超越 Gemini-3.1 Pro
Audio-Visual Vibe Coding：自然湧現的音視頻編程能力
實時對話：支持語義打斷、音色克隆及語音控制
超長上下文：支持256K超長上下文與113種語言識別
智能任務執行：原生支持WebSearch和複雜Function Call

音視頻理解能力

視頻創作與剪輯

上傳一段視頻，Qwen3.5-Omni-Plus能夠遵循指令生成細粒度、結構化、帶時間戳的準確Caption：

畫面裏是誰、說了什麼話
背景音樂從哪一秒開始變化
鏡頭切了幾次
每一幀發生了什麼
判斷視頻是否有敏感內容
將長視頻變成可搜索的結構化筆記

音視頻指令生成代碼

根據你的要求，Qwen3.5-Omni 能直接生成可運行的代碼。這是本次最驚喜的發現：未進行專門訓練，模型自然湧現出了Vibe Coding能力。它可以根據畫面邏輯生成 Python 代碼或前端原型，讓創意驗證從看到做只需一步。

更像真人的實時對話

和 Qwen3.5-Omni 聊天，更像是在跟真人交流：

懂得傾聽的分寸：咳嗽聲或隨口附和不會讓它誤停下來，但你的真正插話它能瞬間接住
語音控制：指令它小聲點、用開心的語氣，像人一樣自由控制聲音的大小、語速與情緒
音色克隆：上傳一段你的錄音，就能定製專屬的AI Assistant音色，支持多種語言生成

你可以打造一個數字分身式助手，讓它用你的聲音去溝通、去陪伴，讓交互更具個性化。

智能任務執行

不止是聊天，Qwen3.5-Omni 還能幫你辦事：

詢問明天北京天氣如何，推薦一家酒店，它能自主判斷是否需要聯網搜索，調用工具查詢實時信息並給出完整建議。原生支持 WebSearch 和複雜工具調用，讓模型真正成爲你的執行助手。

性能表現：215項SOTA霸榜

Qwen3.5-Omni-Plus 在音頻/音視頻的理解、推理和交互任務上，共取得 215項SOTA成績，涵蓋：

音視頻理解
音頻理解
語音識別
語音翻譯
語音生成

對比 Gemini-3.1 Pro：

通用音頻理解、推理、識別、翻譯、對話全面超越
音視頻理解能力總體達到 Gemini-3.1 Pro 水平
視覺和文本能力與同尺寸 Qwen3.5 模型持平

三種尺寸，滿足不同場景

版本	特點	適用場景
Plus	最強性能	複雜任務、專業應用
Flash	平衡性能與速度	日常使用、快速響應
Light	輕量級	移動端、資源受限場景

技術規格

規格	參數
上下文長度	256K
語言支持	113種
音頻處理	超過10小時
視頻處理	1小時（720P，1 FPS）
架構	混合注意力MoE

如何使用

用戶可以通過阿里雲百鍊搜索 Qwen3.5-Omni 調用 API，提供了 Plus、Flash、Light 三種尺寸，滿足不同場景需求。

相比上一代的提升

長上下文：從128K提升至256K
多語言：支持語言從80+種提升至113種
音視頻理解：能力大幅提升
實時交互：新增語義打斷、音色克隆、語音控制
語音輸出：配合ARIA技術，穩定性和自然度進一步改善

總結

Qwen3.5-Omni 的發佈，標誌着阿里千問在全模態大模型領域邁出了重要一步。215項SOTA成績、超越Gemini-3.1 Pro的性能、自然湧現的Vibe Coding能力，都展示了這款模型的強大實力。

對於開發者而言，Qwen3.5-Omni 提供了一個功能全面、性能強勁、成本優化的選擇。無論是音視頻理解、實時對話，還是智能任務執行，都能勝任。

在AI大模型競爭日益激烈的今天，國產模型正在快速追趕甚至超越國際領先水平。Qwen3.5-Omni 的發佈，無疑爲中國AI產業注入了一劑強心針。

全模態、全場景、全能力，Qwen3.5-Omni 來了！