阿里发布新一代原生全模态大模型Qwen3-Omni并开源

as22

9月25日消息，近日，通义大模型宣布，新一代原生全模态大模型 Qwen3-Omni 正式发布。

据悉，该模型在 36 项音视频基准测试中，取得了 32 项开源模型最佳效果，22 项达到 SOTA 水平。在音视频能力强劲的同时，文本与图像的单模态性能保持稳定，真正实现“全模态不降智”。

Qwen3-Omni 采用了创新的 Thinker-Talker 架构。将模型能力明确分工，在保障语义理解深度的同时，实现超低延迟的流式语音输出，一举解决“能力不降智”与“响应速度慢”两大难题。同时，基于混合专家（MoE）架构，负责文本语义的理解与生成，是模型处理逻辑、知识和推理的“大脑”。它确保了在处理音视频任务时，核心的文本与图像能力不受干扰，真正实现“全模态不降智”。同样基于 MoE 架构，专注于流式语音 Token 的生成。它直接接收来自 Thinker 的高层语义表征，确保语音输出与文本意图高度一致，避免了传统端到端模型在语音生成过程中对语义理解的损耗。

此外，模型的音频编码器采用基于 2000 万小时数据训练的 AuT 模型，为音视频理解提供了强大的通用表征基础。

为实现毫秒级实时交互，Talker 采用了创新的多码本自回归方案，在每一步解码中，MTP（Multi-Token Prediction）模块会预测当前音频帧的残差码本。随后，Code2Wav 模块将这些码本即时合成为波形，实现逐帧流式音频生成。



如上图所示，Qwen3-Omni 通过 Vision Encoder 和 AuT 音频编码器将图文音视频输入编码为隐藏状态，由 MoE Thinker 负责文本生成与语义理解，再由 MoE Talker 结合 MTP 模块，实现超低延迟的流式语音生成。得益于这一协同设计，Qwen3-Omni 纯模型端到端的音频对话延迟可低至 211ms，视频对话延迟可低至 507ms，交互体验如真人对话般自然流畅。

此外，模型支持长达 30 分钟的音频内容理解，适用于会议记录、课程转录等长语音场景。

Qwen3-Omni在多项权威评测中都表现得不错。在36项音视频基准测试中，32 项取得开源模型最佳效果，22项达到 SOTA 水平。性能表现超越 Seed-ASR、GPT-4o-Transcribe 等闭源模型。在 MMLU-Redux、AIME25 等文本评测中，Qwen3-Omni-30B-A3B 得分分别为 85.9 和 64.0，与参数量更大的单模态模型 Qwen3-235B-A22B（89.2, 24.7）表现接近。在 MMMU 和 CountBench 图像理解评测中得分 69.1 和 90.0，与专用视觉模型 Qwen2.5-VL-72B 表现相当。



在语言方面，Qwen3-Omni 支持 119 种文本语言输入、19 种语音输入语言和 10 种语音输出语言，满足全球化应用需求；支持长达 30 分钟的音频内容理解，完整处理会议、课程等长语音场景；语音合成提供 17 种自然音色（Flash版）或 3 种基础音色（开源版），让交互更具个性与温度。

此外，Qwen3-Omni 不仅能力全面，更注重实际场景中的快速适配能力。

个性化行为定制：通过系统提示词（system prompt），用户可轻松调整模型的回复风格、语气或人设。无论是设定为“严谨专业的法律顾问”，还是“亲切活泼的健身教练”，只需一行指令，即可快速匹配不同业务需求。

工具调用（Function Call）：支持与外部工具或 API 高效集成。开发者可让模型自动调用数据库、发送邮件、查询天气、操作软件等，构建自动化智能工作流，大幅提升效率。

轻量版模型支持：提供 Qwen3-Omni-Flash版本，在保持核心能力的同时，显著降低推理资源消耗，适合对成本和延迟敏感的应用场景。



据悉，为推动技术开放与社区共建，通义大模型还同步开源了 Qwen3-Omni-30B-A3B-Captioner 模型。