Qwen3.5-Omni-Plus

Qwen3.5-Omni是阿里巴巴通义实验室于2026年3月30日正式发布的新一代全模态大模型[citation:1][citation:2][citation:4]。该模型属于Qwen Omni系列，定位为原生全模态（Omni-Modal）模型，旨在实现对文本、图像、音频和视频的统一理解与生成[citation:2][citation:6]。

在架构设计上，Qwen3.5-Omni延续并升级了经典的Thinker-Talker分工架构[citation:4]。其中，Thinker（理解中枢）负责接收多模态输入并输出文本，升级为Hybrid-Attention MoE（混合注意力混合专家架构），结合TMRoPE技术进行位置编码，能够高效处理长序列输入[citation:4][citation:7]。Talker（表达中枢）负责基于Thinker的输出生成上下文化语音，采用RVQ编码替代传统的DiT运算，并引入ARIA（自适应速率交错对齐）技术，以提升语音合成的自然度和稳定性[citation:4][citation:7]。模型在海量文本、视觉以及超过1亿小时的音视频数据上进行了原生多模态预训练[citation:8]。

Qwen3.5-Omni-Plus支持256K的长上下文窗口，可处理超过10小时的音频输入或超过400秒的720P（1 FPS）音视频输入[citation:2][citation:4][citation:8]。在能力方面，模型支持文本、图像、音频、视频的全模态输入，并可输出文本和音频[citation:1][citation:2]。具体能力包括：音视频理解与细粒度描述（可生成带时间戳的剧本级描述、自动切片）、Audio-Visual Vibe Coding（根据音视频指令直接生成代码）、实时语音交互（支持语义打断、语音控制音色/语速/情绪）、音色克隆、多语言语音识别与合成等[citation:4][citation:7][citation:10]。

根据千问团队公布的技术报告，Qwen3.5-Omni-Plus在215项音频/音视频理解、推理和交互任务中取得了SOTA（业界最佳）成绩[citation:1][citation:4][citation:8]。在通用音频理解、识别、翻译、对话等任务上，该模型超越了Google的Gemini-3.1 Pro；音视频理解能力总体达到Gemini-3.1 Pro同等水平；视觉与文本能力则与同尺寸的Qwen3.5模型持平[citation:4][citation:9]。具体测试中，在DailyOmni、QualcommInteractive、Omni Cloze等视听交互测试中得分大幅领先Gemini-3.1 Pro；在WenetSpeech嘈杂环境语音识别测试中错误率远低于对比模型[citation:1][citation:10]。

应用场景方面，Qwen3.5-Omni可广泛用于短视频/直播平台内容理解与审核、游戏开发、自媒体创作、会议与访谈纪要生成、多语言实时翻译等场景[citation:1][citation:3][citation:6]。模型支持113种语言及方言的语音识别和36种语言及方言的语音生成[citation:1][citation:4]。目前，开发者可通过阿里云百炼平台以API形式调用该模型，普通用户可访问Qwen Chat、Hugging Face Spaces或魔搭社区进行免费体验[citation:1][citation:2][citation:4]。