刚刚，阿里云千问家族迎来新成员——Qwen3.5-Omni全模态大模型正式亮相。它在215项任务中拿下全球第一，能听懂113种语言和方言，甚至对着镜头说需求就能自动生成APP、网页、游戏代码。目前普通用户可免费体验，开发者可通过阿里云百炼调用API，阿里云百炼平台：https://www.aliyun.com/product/bailian
一、全模态王者：215项测试拿下SOTA
Qwen3.5-Omni采用混合注意力MoE架构，在海量文本、图像以及超过1亿小时的音视频数据上进行了原生多模态预训练。它支持图片、视频、语音、文字的全模态输入与输出。
在音视频理解、跨模态推理、智能体等215项第三方性能测试中，Qwen3.5-Omni全部取得SOTA（性能最佳），被评价为“目前全球最强的全模态大模型之一”。
关键对比数据：
- DailyOmni、QualcommInteractive等视听交互测试：得分大幅领先Google Gemini-3.1 Pro
- WenetSpeech嘈杂环境语音识别：错误率远低于Gemini
- Multi-Lingual (30种语言) 语音生成质量：显著优于Gemini-2.5-Pro-TTS
关于Qwen3.5-Omni的详细介绍，请移步到阿里云通义大模型平台查看：https://www.aliyun.com/product/tongyi 如下图：
二、听懂113种语言，实时交互像真人
Qwen3.5-Omni支持113种语言及方言的语音识别，以及36种语言及方言的语音生成。就连使用人数不足百万的毛利语和海南话，也能精准识别。
实时交互体验大幅升级：
- 能高情商理解用户对话意图，区分有效回应与随口附和
- 可根据指令自由调节语音、语调
- 基于ARIA技术，生成语音更自然、稳定
- 面对实时提问（如“今天天气怎样”），能自主调用工具获取最新信息
三、音视频Vibe Coding：动动嘴就能编程
这是最令人惊喜的能力。与纯文本或图片驱动的Vibe Coding不同，千问实现了音视频编程：
打开摄像头，对着草图口述需求——哪怕包含复杂的产品逻辑——模型就能直接生成带有复杂UI的产品原型界面、网页、甚至小游戏。
这一能力并非刻意设计，而是模型在原生多模态能力持续扩展中自然涌现的结果。从此，“动动嘴即可编程”成为现实。
四、超长音频+画面校对，专业生产力工具
Qwen3.5-Omni能对视频中的画面主体、人物关系、对话逻辑、情绪起伏进行极致拆解，自动完成视频章节切片与时间戳标注。
- 支持超过10小时的音频输入
- 繁琐的视频后期梳理工作缩短至秒级
- 大幅降低内容管理成本，适用于视频创作、内容审核等场景
五、如何体验与调用
- 普通用户：前往 Qwen Chat 免费体验
- 开发者和企业：通过阿里云百炼平台调用Qwen3.5-Omni模型的三种API版本：
- Plus：高性能版
- Flash：轻量快速版
- Light：超低成本版
总结：Qwen3.5-Omni不仅刷新了全模态大模型的天花板，更用“音视频编程”打开了人机协作的新想象空间。无论是个人开发者想尝鲜，还是企业需要落地音视频理解、自动编程、多语言交互，现在都可以零门槛上手。更多关于阿里云千问Qwen3.5-Omni的介绍、调用及使用，请移步到阿里云百炼官方平台查看：https://www.aliyun.com/product/bailian
