新闻

昨天，阿里通义正式发布基于 Qwen3-Omni 的全面升级版本「Qwen3-Omni-Flash-2025-12-01」。

据介绍，新模型可无缝处理文本、图像、音频、视频输入，并以流式方式同时生成自然语音与文本输出，整体针对多模态交互的准确性与效率进行增强。具体升级如下：

• 音视频理解与执行： 面向口语化场景显著提升对音视频指令的理解与执行能力，缓解多模态对话中的「降智」问题；多轮音视频对话的稳定性与连贯性增强，交互更自然顺畅；

• 系统提示可控： 全面开放 System Prompt 自定义，可精细调控模型行为（如人设风格、口语化偏好、回复长度等），提升可控性与一致性；

• 多语言遵循： 支持 119 种文本语言交互、19 种语音识别语言与 10 种语音合成语言，优化上版语言遵循不稳定问题，确保跨语言场景下响应准确一致；

• 语音生成拟人化： 解决语速拖沓与机械感，提升对于语速、停顿与韵律的自适应调节，语音表达更自然生动；

• 视觉与视频理解： 在多学科视觉问答与数学视觉推理任务上取得进展，视频语义理解与音视频同步能力持续优化，为实时视频对话打下基础。

官方表示，后续将推进多说话人 ASR、视频 OCR、音视频主动学习等核心能力建设，并强化基于智能体的工作流与函数调用支持，以进一步提升复杂场景下的可控性与执行力。