AIbase12月9日报道 阿里巴巴Qwen团队今日发布新一代全模态大模型Qwen3-Omni-Flash-2025-12-01。该模型支持文本、图像、音频和视频的无缝输入，并通过实时流式响应同步生成高质量文本与自然语音，官方称其语音表现自然度已逼近真人水平。

技术突破:实时流式全模态交互

Qwen3-Omni-Flash采用实时流式架构，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。

个性化体验:System Prompt开放自定义

新版本全面开放System Prompt自定义权限，用户可精细调控模型行为模式，包括设定「甜妹」「御姐」等特定人设风格，以及调整口语化表达偏好和回复长度。模型能根据文本内容自适应调节语速、停顿与韵律。

性能提升:基准测试全面跃升

官方数据显示，新模型在逻辑推理任务（ZebraLogic）上得分提升5.6，在代码生成(LiveCodeBench-v6)上提升9.3，在多学科视觉问答(MMMU)上提升4.7，展现出强大的多模态理解与分析能力。

市场部署:API已上线，定价亲民

Qwen3-Omni-Flash目前已通过API上线，输入定价为1元/百万tokens，输出为3元/百万tokens。模型已在Qwen Chat集成Demo，支持上传30秒视频并实时生成带画面口播。

行业意义:全模态进入「人格化」阶段

当多模态仍在比拼能看懂多少图，阿里直接把「实时流+人格化」做成API。对于直播、短视频、虚拟会议等重语音、重风格场景，这相当于把「配音演员+后期口播」成本打到接近零。

下一步计划:

2025年Q1将发布70B轻量版，单卡A100可跑实时流;Q2开放「语音克隆10秒」接口;Q3上线「视频驱动头像」Beta功能。AIbase将持续跟踪其语音克隆与视频驱动头像功能的开放进度。