深度剖析Qwen3.5-Omni：全模态感知与生成核心能力详解

3月30日，千问宣布上线Qwen3.5-Omni。Qwen3.5-Omni系列包含Plus、Flash、Light三种尺寸的Instruct版本，支持256k长上下文，模型支持超过10小时的音频输入及超过 400 秒的720P音视频输入。Qwen3.5-Omni能够支持113种语种和方言的语音识别和36种语种和方言的语音生成，目前可通过Offline API和Realtime API进行体验。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

据介绍，千问着重加强了Qwen3.5-Omni的交互能力。对比Qwen3-Omni ，Qwen3.5-Omni 在长上下文、多语言、音视频理解能力上都有明显提升，能够支持113种语种和方言的语音识别和36种语种和方言的语音生成，同时新增了语义打断、音色克隆、语音控制等实时交互能力，让对话体验更接近真人。配合 ARIA 技术，语音输出的稳定性和自然度也进一步改善。

Qwen3.5-Omni-Plus 在音频/音视频的理解、推理和交互任务上，共取得 215 项 SOTA 成绩，涵盖音视频、音频、语音识别、语音翻译等多个方向。其中，通用音频理解、推理、识别、翻译、对话全面超越 Gemini-3.1 Pro，音视频理解能力总体达到 Gemini-3.1 Pro 水平。同时，视觉和文本能力与同尺寸 Qwen3.5 模型持平。