Qwen3-Omni-Flash – 阿里通义推出的全模态大模型，支持119种文本语言、19种语音识别语言和10种语音合成语言

qwen3-omni-flash（qwen3-omni-flash-2025-12-01）是阿里巴巴qwen团队全新发布的全模态大语言模型。可实现文本、图像、音频和视频的无缝输入与同步输出。模型支持119种文本语言交互、19种语音识别语言和10种语音合成语言，确保跨语言场景下的准确响应。模型具备更强的指令遵循能力和更自然流畅的语音表现，致力于为用户提供“声形意合，令出智随”的 AI 交互体验，是目前全模态 AI 领域的前沿产品。

Qwen3-Omni-Flash的主要功能

• 多模态输入与输出：支持文本、图像、音频和视频等多种输入形式，实时生成高质量的文本与自然语音输出。
• 音视频交互：模型显著提升音视频指令的理解与执行能力，增强多轮对话的稳定性和连贯性，语音表现更自然流畅。
• 系统提示（System Prompt）控制：全面开放自定义权限，用户能精细调控模型行为，设定人设风格、口语化偏好及回复长度等。
• 多语言支持：支持119种文本语言、19种语音识别语言和10种语音合成语言，确保跨语言场景下的准确交互。

Qwen3-Omni-Flash的性能表现

• 文本理解与生成更强大：在逻辑推理（ZebraLogic +5.6）、代码生成（LiveCodeBench-v6 +9.3、MultiPL-E +2.7）和综合写作（WritingBench +2.2）等任务上大幅提升，复杂指令遵循能力再上新台阶。
• 语音理解更精准：在语音识别（Fleurs-zh）的字错率显著降低，语音对话评估（VoiceBench）得分提升 3.2 分，语音理解能力提升。
• 语音生成更自然：多语言语音合成质量全面提升，尤其在中文、多语种上，韵律、语速与停顿更贴近真人对话。
• 图像理解更深入：在多学科视觉问答（MMMU +4.7、MMMU_pro +4.8）和数学视觉推理（Mathvision_full +2.2）任务上取得飞跃，能更准确地“看懂”图像内容、进行深度分析。
• 视频理解更连贯：视频语义理解能力（MLVU +1.6）持续优化，结合增强的音视频同步能力，为实时视频对话提供坚实基础。

Qwen3-Omni-Flash的项目地址

• 项目官网：https://qwen.ai/blog?id=qwen3-omni-flash-20251201