阿里巴巴近日發佈了通義全模態預訓練大模型 Qwen3-Omni 系列。這款模型的特點在於其能夠處理音頻、視頻及文本等多種信息，堪比人類的感知能力。這不僅是 AI 技術的重大進步，也爲未來的應用場景打開了更多可能。

據悉，Qwen3-Omni 在36項音視頻基準測試中，取得了22項 SOTA（State Of The Art）水平的成績，表現出色，甚至在32項測試中成爲開源模型中的佼佼者。特別是在語音識別和音頻理解方面，其能力已達到與谷歌的 Gemini2.5-Pro 不相上下的水平。這無疑爲需要高質量音頻處理的應用奠定了堅實的基礎。

通義 Qwen (2)

圖源備註：圖片由AI生成

Qwen3-Omni 的設計理念獨特，其一開始就進行了 “聽”“說”“寫” 多模態的混合訓練，模擬人類嬰兒對世界的全面感知。這種訓練方法結合了單模態和跨模態數據，使得模型在音頻和視頻處理上表現優異的同時，文本和圖像的處理能力也保持了穩定。這是行業內首次實現如此全面的訓練效果，顯示了阿里在 AI 技術上的前瞻性和創新性。

未來，Qwen3-Omni 有望廣泛應用於智能客服、內容創作、語音交互等領域，爲用戶提供更智能、更人性化的服務。隨着技術的不斷進步，我們可以期待 AI 與生活的結合將更加緊密，爲我們帶來更加便捷的體驗。

阿里巴巴的這一創新，標誌着全模態 AI 的發展邁上了新臺階，也爲全球科技公司提供了新的參考標杆。