近日，阿里巴巴旗下通义千问团队重磅发布了一系列新模型，覆盖多模态大模型、图像编辑和文本转语音等多个前沿领域。此次发布的核心亮点是原生多模态模型 Qwen3-Omni，标志着阿里在大模型技术竞赛中进入了新的阶段。

1. Qwen3-Omni：全能型多模态模型，对标国际顶尖水平

Qwen3-Omni 是本次发布的核心产品，被定位为与谷歌 Gemini 全面对标的全能型模型。其最大特点是“原生多模态”，意味着模型在设计之初就具备统一理解和生成文本、图像、音频、视频等多种信息的能力，而非将不同模态的模型简单拼接。

• 核心能力：能够无缝处理和理解文本、图片、音频和视频内容，并在此基础上进行推理、问答和创作。
• 战略意义：这一定位直接瞄准了当前全球多模态大模型的最前沿，展示了阿里在通用人工智能技术上的雄心。
• 模型获取：该模型已在 Hugging Face 平台上线，开发者可前往体验和研究。

技术报告： Qwen3-Omni Technical Report
模型地址： https://github.com/QwenLM/Qwen3-Omni
模型架构：

2. Qwen-Image-Edit-2509：升级版图像编辑模型，功能更强大

九月，Qwen推出 Qwen-Image-Edit-2509，这是 Qwen-Image-Edit 的月度迭代版本。要体验最新版本，请访问Qwen Chat 并选择“图像编辑”功能。与八月发布的 Qwen-Image-Edit 相比，Qwen-Image-Edit-2509 的主要改进包括：

• 多图像编辑支持：对于多图像输入，Qwen-Image-Edit-2509 基于 Qwen-Image-Edit 架构构建，并通过图像连接进一步训练，以实现多图像编辑。它支持各种组合，例如“人物 + 人物”、“人物 + 产品”和“人物 + 场景”。目前，1 至 3 张输入图像即可达到最佳性能。
• 增强单图一致性：对于单图输入，Qwen-Image-Edit-2509 显著提高了编辑一致性，具体表现在以下几个方面：
• 改进人物编辑一致性：更好地保留面部特征，支持各种肖像风格和姿势变换；
• 提升产品编辑一致性：更好地保留产品身份，支持产品海报编辑；
• 提升文本编辑一致性：除了修改文本内容外，还支持编辑文本字体、颜色、材质；
  ControlNet 的原生支持：包括深度图、边缘图、关键点图等。

模型地址： https://huggingface.co/Qwen/Qwen-Image-Edit-2509

3. Qwen3-TTS-Flash：高效的文本转语音模型

Qwen3-TTS-Flash 是支持多音色、多语言和多方言的旗舰语音合成模型，旨在生成自然且具有表现力的语音，目前可通过Qwen API访问。
主要特点：

• 卓越的中英稳定性：Qwen3-TTS-Flash的中英稳定性在seed-tts-eval test set上，取得了SOTA的表现，超越SeedTTS、MiniMax、GPT-4o-Audio-Preview。
• 出色的多语言性能：多语言稳定性和音色相似度上，Qwen3-TTS-Flash在MiniMax TTS multilingual test set上，WER在中文、英文、意大利语、法语达到SOTA，显著低于MiniMax、ElevenLabs、GPT-4o-Audio-Preview，英文、意大利语、法语的说话人相似度显著超越MiniMax、ElevenLabs、GPT-4o-Audio-Preview。
• 高表现力：Qwen3-TTS-Flash具备高表现力的拟人音色，能够稳定、可靠地输出高度遵循输入文本的音频。
• 丰富的音色和语种：Qwen3-TTS-Flash 提供17种音色选择，每一种音色均支持10种语言。
• 多方言支持：Qwen3-TTS-Flash支持方言生成，包括普通话、闽南语、吴语、粤语、四川话、北京话、南京话、天津话和陕西话。
• 语气适应：经过海量数据训练，Qwen3-TTS-Flash能够根据输入文本自动调节语气。
• 高鲁棒性：Qwen3-TTS-Flash能够自动处理复杂文本，抽取关键信息，对复杂和多样化的文本格式具有很强的鲁棒性。
• 快速生成：Qwen3-TTS-Flash具有极低首包延迟，单并发首包模型延迟低至97ms。

模型性能
对Qwen3-TTS-Flash在语音稳定性和音色相似度方面进行了全面评估，结果显示其在多项指标上都达到了SOTA性能。
具体来说，在seed-tts-eval test set上，Qwen3-TTS-Flash在中英文的语音稳定性表现上均取得了SOTA成绩，超越了SeedTTS、MiniMax和GPT-4o-Audio-Preview。此外，在MiniMax TTS multilingual test set上，Qwen3-TTS-Flash在中文、英文、意大利语和法语的WER均达到了SOTA，显著低于MiniMax、ElevenLabs和GPT-4o-Audio-Preview。
在说话人相似度方面，Qwen3-TTS-Flash在英文、意大利语和法语均超过了上述模型，在多语言的语音稳定性和音色相似度上展现出了卓越的表现。

总结

此次阿里密集发布新模型，尤其是在核心的多模态赛道推出对标 Gemini 的 Qwen3-Omni，清晰地传递出其加速技术迭代、争夺全球AI领导地位的信号。通过将强大的原生多模态模型与垂直领域的专业工具相结合，阿里正试图构建一个更具竞争力和实用性的AI生态系统。