阿里雲近期一次性發布三款多模態人工智慧大模型，引發業界高度關注。這三款模型分別是：業界首個原生端到端全模態 AI 模型 Qwen3-Omni、大幅升級的開源圖像編輯模型 Qwen-Image-Edit-2509，以及主打高品質語音合成的收費模型 Qwen3-TTS-Flash。

此次發布不僅展示了阿里在多模態領域的快速進展，更凸顯其「開源做生態、閉源兌現金」的清晰戰略布局。

以下為阿里官方對此次發布所做的介紹整理：

Qwen3-Omni：開源的全能型多模態選手

本次發布的最大亮點是完全開源、可免費商用的 Qwen3-Omni-30B-A3B。它被譽為業界首個原生端到端全模態模型，能夠無縫處理文本、圖像、音訊和視訊四種類型的輸入，並透過文本或自然語音進行即時串流式輸出。這解決了以往多模態模型需在不同能力間權衡取捨的難題。

該模型採用創新的 MoE（專家混合）架構，總參數達 300 億，但每次推理僅激活其中 30 億，大幅提升了效率。相較於半年前發布的 70 億參數稠密模型 Qwen2.5-Omni，這是一次巨大的架構升級。在性能方面，Qwen3-Omni 在 36 項音訊與影音多模態基準測試中，取得了 22 項第一的優異成績，其語音識別（ASR）、音訊理解能力可與 Gemini 2.5 Pro 相媲美。

此外，它支援多達 119 種文本語言、19 種語音輸入語言和 10 種語音輸出語言，展現了其強大的多語言能力。阿里同時還開源了專門的音訊描述模型 Qwen3-Omni-30B-A3B-Captioner，填補了開源社群在該領域的空白。

Qwen-Image-Edit-2509

另一款開源模型 Qwen-Image-Edit-2509 是對其前代產品的月度迭代升級。其前一版本已在全球大模型匿名競技場上獲得開源領域第一名。此次升級的核心在於一致性的巨大提升，主要體現在三大方面：

1. 支援多圖編輯：新版本學會了「拼圖」，可以將多張圖片（建議 1 至 3 張）融合處理，例如將兩人 P 到一起或將人物置入特定場景。

2. 單圖編輯一致性更強：在人像編輯上，能更好地保留面部特徵，避免「換臉崩壞」；在商品編輯上，能更好地維持產品本身樣貌；在文字編輯上，除了修改內容，還能調整字體、顏色甚至金屬質感。

3. 原生支援 ControlNet：內建深度圖、線稿、骨骼點圖等精確控制功能，讓專業使用者能更精準地控制生成效果，無需額外配置。 該模型同樣遵循 Apache 2.0 協議，可免費商用。

Qwen3-TTS-Flash

與前兩者不同，Qwen3-TTS-Flash 是一款不開源的收費語音合成（TTS）模型。阿里語音團隊今年投入大量資源建構了高品質語音資料集，該模型便是其重要產出之一。其最大特色是生成語音帶有情感，聲音極度逼真。

在專業的語音穩定性和音色相似度評測中，其表現已超越 SeedTTS、MiniMax 甚至 GPT-4o-Audio-Preview 等知名對手，達到業界頂尖水準。

功能上，Qwen3-TTS-Flash 支援 17 種不同音色，每種音色均可對應 10 種語言，包括中、英、日、韓、德、法、俄等多國語言。此外，它還支援多種漢語方言（如粵語、四川話、閩南語、吳語等）及英語口音（如美式、英式）。該模型的 API 定價為每萬字元人民幣 0.8 元，目前最大支援 600 個字元的輸入。