智东西9月23日消息-阿里通义大模型团队昨夜迎来重磅更新，三款创新产品同步亮相：开源原生全模态大模型Qwen3-Omni、语音合成模型Qwen3-TTS以及升级版图像编辑模型Qwen-Image-Edit-2509。

Qwen3-Omni具备出色的多模态处理能力，可同时解析文本、图像、音频及视频内容，并支持实时流式输出文本和自然语音。该模型在36项音视频基准测试中表现抢眼，32项位列开源榜首，22项刷新行业纪录，整体性能超越Gemini-2.5-Pro、Seed-ASR及GPT-4o-Transcribe等商业闭源模型，同时在图像和文本处理方面也达到同规模模型的顶尖水准。

Qwen3-TTS提供17种拟真音色与10种语言支持，在语音流畅度和音色还原度上超越SeedTTS、GPT-4o-Audio-Preview等主流产品。

Qwen-Image-Edit-2509最显著的功能迭代是多图像编辑能力，可实现"人物+人物"、"人物+物体"等元素的跨图融合。

01. 119种语言交互与人设定制

在国际版通义千问应用中，用户可通过输入框右下角按钮启用视频通话功能（Beta测试阶段）。实际测试显示网页端体验尚需优化，而移动App端的Qwen-Omni-Flash模型已能实现接近真人对话的低延迟响应。

该模型表现出优异的世界知识储备，在啤酒品牌识别、植物鉴别等测试中均给出准确答案。官方数据显示，Qwen3-Omni支持119种文本语言交互、19种语音理解语言与10种语音生成语言，音频对话延迟低至211ms，视频对话507ms，还支持30分钟长音频解析。不过在语音输出时，外语发音仍带明显普通话腔调，粤语交流时也存在普通话词汇混用现象。

演示场景中，模型展现了多语言应用能力：解析意大利餐厅菜单后用法语推荐意面；识别毕加索博物馆游戏内容并讲解建筑历史；分析日语视频中的环境与对话内容。其system prompt定制功能让用户可以自由设定回复风格，例如成功模拟广东幼师用童趣语言讲解模型特性。

02. 22项测试登顶 创新架构设计

Qwen3-Omni在单模态任务保持Qwen系列水准的同时，音频处理能力更为突出。36项测试中32项位居开源首位，22项总评第一，语音识别性能堪比Gemini-2.5-Pro。

该模型采用Thinker-Talker创新架构：Thinker负责文本生成，Talker专注语音Token流式生成。通过2000万小时音频训练的AuT编码器提供通用音频表征，配合MoE架构实现高并发推理。独特的混训模式确保跨模态能力提升不影响单模态性能，全流程流式设计支持首帧Token实时音频转化。

03. 语音合成新标杆

Qwen3-TTS-Flash在中英稳定性、多语言表现上超越SeedTTS与GPT-4o，支持17种音色与10种语言，涵盖九种方言，首包延迟仅97ms。其在MiniMax多语言测试集中，中文、英文等语种的错误率和说话人相似度均领先同业。

04. 图像编辑新突破

Qwen-Image-Edit-2509新增多图拼接功能，强化了单图编辑一致性：人物ID保持、商品海报修改、文字样式调整等。原生支持ControlNet的深度图、边缘图处理。

05. 多模态赛道加速

此次升级彰显阿里在多模态领域的持续突破，Qwen3-TTS-Flash与Qwen3-Omni的协同将提升语音交互体验。团队透露未来将聚焦视频OCR、音视频主动学习等技术方向，强化智能体工作流支持，推动更多场景落地应用。