通义千问全模态模型 Qwen3-Omni

是什么

Qwen3-Omni 是通义千问团队的全模态（omni-modal）模型，把文本、音频和视频放进同一套系统：既能读文字，也能听语音、看视频，回答时既可以输出文字，也可以直接合成语音。开放权重的主力版本是 Qwen3-Omni-30B-A3B，2025 年 9 月以 Apache 2.0 协议发布^[1][2]。

怎么做的

模型采用混合专家（mixture-of-experts，MoE）的 Thinker-Talker 结构，把理解与推理的部分和生成语音的部分分开处理。音频一侧建立在一个被称为 AuT 的音频预训练阶段之上，语音生成则使用多码本（multi-codebook）方案，目的是压低语音输出的延迟^[1]。

这套设计服务的是交互，而不是一次性的转录。模型支持低延迟的音频与视频流式处理，并且按自然的轮流发言（turn-taking）方式来组织对话：用户可以开口说话、被打断、再接着说，而不必等一整段音频处理完^[1]。

语言与音色

不同模态的覆盖范围不一样。模型能理解 119 种语言的文本，接收 19 种语言的语音输入，并用 10 种语言输出语音：英语、中文、法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语和韩语^[1]。

语音输出提供 3 个音色，分别是默认的 Ethan，以及 Chelsie 和 Aiden^[1]。

报告的成绩

按模型卡的说法，Qwen3-Omni 在 36 项音频与音视频基准中有 22 项取得当时的最佳成绩，在其中 32 项上是开源模型里的最好结果^[1]。通义千问团队表示，它的语音识别、音频理解和语音对话水平与 Gemini 2.5 Pro 相当^[1]。

文本与视频方面，模型卡给出 AIME25 为 65.0、MMLU-Redux 为 86.6、GPQA 为 69.6、Video-MME 为 70.5^[1]。这些数字来自团队自己的评测，而非第三方独立测量。

版本分支

这次发布包含几个不同形态。一个是 Instruct 版本；一个是纯文本的 Thinking 模型，会输出思维链（chain-of-thought）推理；还有一个 Captioner，经过微调，专门为音频写出细致、少臆造的描述^[1]。Captioner 指向的是一类很实际的用途：把录音变成可检索、可索引、可以喂给其他系统的文字说明。

在这一系列中的位置

Qwen3-Omni 接在此前以文本为主的 Qwen 模型之后，把这个系列扩展到原生的音频、视频输入和语音输出。以 Apache 2.0 开放权重，意味着这一规模的模型可以被外部使用和改造^[1][2]。

此后这条线继续延伸，出现了两个不再开源的后续版本：2026 年 4 月的 Qwen3.5-Omni，以及 2026 年 9 月 18 日的 Qwen3.8-Omni-Flash^[2]。后续版本没有以同样的方式开放，这也让 2025 年 9 月这一版成为一个固定的参照点，用来看团队当时愿意公开到什么程度。