狂揽200余项SOTA！阿里发布Qwen3.5-Omni：多模态能力超越Gemini-3.1 Pro

3月30日消息，

据悉，Qwen3.5-Omni采用混合注意力MoE架构，可实现图片、视频、语音、文字等全模态内容的输入与输出。

在检测嘈杂环境抗干扰能力的WenetSpeech测试中，Qwen3.5-Omni错误率远低于Gemini，识别准确率极高。

在考察多语言语音生成质量的Multi-Lingual (30lang) 测试中，Qwen3.5-Omni同样显著优于Gemini-2.5-Pro-TTS。

目前，Qwen3.5-Omni拥有极强的音视频理解与实时交互能力，能够对音视频内容生成详细且可控的结构化描述。

同时，基于一系列技术创新，Qwen3.5-Omni还将Vibe Coding能力推入下一阶段。

新模型可对画面主体、人物关系、对话逻辑、乃至人物情绪起伏进行极细的拆解，并自动完成视频章节切片与时间戳标注，支持超过10小时的音频输入。

当前，千问已稳居中国企业级大模型调用市场第一，服务涵盖互联网、金融、消费电子及汽车等重点行业超100万家客户。