阿里巴巴近日发布了通义全模态预训练大模型 Qwen3-Omni 系列。这款模型的特点在于其能够处理音频、视频及文本等多种信息，堪比人类的感知能力。这不仅是 AI 技术的重大进步，也为未来的应用场景打开了更多可能。

据悉，Qwen3-Omni 在36项音视频基准测试中，取得了22项 SOTA（State Of The Art）水平的成绩，表现出色，甚至在32项测试中成为开源模型中的佼佼者。特别是在语音识别和音频理解方面，其能力已达到与谷歌的 Gemini2.5-Pro 不相上下的水平。这无疑为需要高质量音频处理的应用奠定了坚实的基础。

图源备注：图片由AI生成

Qwen3-Omni 的设计理念独特，其一开始就进行了 “听”“说”“写” 多模态的混合训练，模拟人类婴儿对世界的全面感知。这种训练方法结合了单模态和跨模态数据，使得模型在音频和视频处理上表现优异的同时，文本和图像的处理能力也保持了稳定。这是行业内首次实现如此全面的训练效果，显示了阿里在 AI 技术上的前瞻性和创新性。

未来，Qwen3-Omni 有望广泛应用于智能客服、内容创作、语音交互等领域，为用户提供更智能、更人性化的服务。随着技术的不断进步，我们可以期待 AI 与生活的结合将更加紧密，为我们带来更加便捷的体验。

阿里巴巴的这一创新，标志着全模态 AI 的发展迈上了新台阶，也为全球科技公司提供了新的参考标杆。