阿里推Qwen3全模态大模型，支持119种语言实时交互

快速阅读: 12月11日消息，阿里巴巴Qwen团队发布Qwen3-Omni-Flash全模态大模型，支持多模态实时交互与高自然度语音生成，已上线API并计划2025年推出轻量版及语音克隆、视频驱动头像功能。

阿里巴巴Qwen团队日前发布新一代全模态大模型Qwen3-Omni-Flash-2025-12-01。该模型支持文本、图像、音频和视频的无缝输入，并通过实时流式架构同步生成高质量文本与自然语音，其语音自然度已接近真人水平。

新模型可实现多模态内容的实时交互，支持119种文本语言、19种语音识别语言及10种语音合成语言，有效提升跨语言场景下的响应准确性。此外，系统全面开放System Prompt自定义权限，用户可根据需求设定特定人设风格、调整口语化程度及回复长度，模型还能依据内容自适应调节语速、停顿与韵律，增强个性化体验。

在性能方面，Qwen3-Omni-Flash在多项基准测试中显著提升：逻辑推理任务（ZebraLogic）得分提高5.6，代码生成（LiveCodeBench-v6）提升9.3，多学科视觉问答（MMMU）提升4.7，展现出更强的多模态理解与分析能力。

目前，该模型已通过API上线，输入定价为1元/百万tokens，输出为3元/百万tokens，并集成于Qwen Chat提供Demo服务，支持上传30秒视频并实时生成带画面口播。此举将大幅降低直播、短视频及虚拟会议等场景中对配音与后期制作的成本。

据悉，团队计划于2025年第一季度推出70B轻量版，可在单张A100显卡上运行实时流；第二季度开放“语音克隆10秒”接口；第三季度上线“视频驱动头像”Beta功能。

(以上内容均由Ai生成)