阿里Qwen3.5-Omni炸场！1分钟读完《老友记》，还能“用嘴编程”？Gemini：我不要面子的吗？

TL;DR：

阿里全模态“六边形战士”Qwen3.5-Omni正式出道！不仅能秒读10小时长音频，还能边看你画草图边听你指挥直接把App代码写了，215项SOTA直接把谷歌Gemini-3.1 Pro按在地上摩擦，重点是：价格只要隔壁的十分之一，这波“真香”预警拉满了。

AI圈的“卷王”比赛又进阶了。昨天，阿里通义千问团队甩出了最新的全模态大模型 Qwen3.5-Omni。这一次，它不再是那个只会敲代码、写周报的“打字机”，而是一个能听、能看、能说、甚至能感同身受的“全能管家”。

如果你还在为那长达一小时的会议录像抓狂，或者为半懂不懂的方言发愁，Qwen3.5-Omni可能会让你直呼：格局打开了！

懂方言、秒读片：这届AI已经进化到这种地步了？

以前我们看视频，AI顶多能给个总结；现在，Qwen3.5-Omni直接能给你写“剧本”。实测中，它处理一集50分钟的《老友记》仅需1分钟，吐出的描述不仅涵盖了时间线，连人物情绪变化和镜头切换都写得清清楚楚 ¹。比起那些网盘里机械罗列的AI摘要，它生成的描述甚至带点叙事美感。

更有意思的是，它还掌握了传说中的**“Audio-Visual Vibe Coding”（音视频意境编程）**。你只需要拿着手机，对着随手画的一张界面草图，嘴里念叨着：“这儿放个按钮，点一下跳到个人主页”，它就能瞬间心领神会，吐出可运行的前端代码 ²。

调侃一下： 程序员们，以后可能不拼手速了，改拼“肺活量”和“普通话等级”了。

不仅如此，Qwen3.5-Omni还是个“方言达人”。它支持39种国内方言和113种语言识别 ³。无论你是说闽南话还是海南方言，它都能对答如流。在实测中，它不仅听得懂，还能自主判断是否需要联网查天气，1-2秒内就给你反馈，简直比真人客服还丝滑 ¹。

技术大揭秘：为什么它能这么“灵”？

能跑得这么快、看得这么准，是因为阿里给它换了套“好脑筋”。Qwen3.5-Omni延续了**Thinker-Talker（思考者-表达者）**的分工架构：

1. Thinker（思考者）： 负责接收海量的视觉和音频信号。这一次它采用了 Hybrid-Attention MoE（混合注意力混合专家模型）。这让它在处理10小时长音频或1小时视频时，依然能稳准狠地抓住重点，不会因为信息太长就“断片” ⁴。
2. Talker（表达者）： 负责把思考的结果变成自然好听的人声。为了解决流式语音中经常出现的漏读、数字发音模糊等尴尬问题，阿里祭出了 ARIA（自适应速率交错对齐）技术，让AI说话的语气、语速、情绪都更接近真人 ⁴。

它还支持**“语义打断”**。这意味着你跟它聊天时，不需要等它慢吞吞说完，随时可以插话。它能智能分辨你是随口附和（“嗯嗯”、“对对”）还是真的要改指令，这种“懂分寸”的交互感，让AI终于不再像个只会复读的复读机 ³。

行业“地震”：性能翻倍，价格却只有谷歌的1/10？

在技术博客中，千问团队自信满满地表示，在215项音频/音视频理解任务上，Qwen3.5-Omni-Plus取得了SOTA（全球最佳）成绩。在视听交互和嘈杂环境识别（WenetSpeech）等测试中，它的表现甚至超越了谷歌的旗舰模型Gemini-3.1 Pro ²。

最让开发者和企业“真香”的，恐怕还是它的价格。Qwen3.5-Omni目前在阿里云百炼平台上架，API调用价格采取阶梯计费。重点来了：其百万tokens的输入价格不到0.8元，仅为Gemini-3.1 Pro的十分之一左右 ⁵。

调侃点评： 这种“性能吊打、价格骨折”的操作，简直是让同行看了流泪，开发者看了心醉。

结语：全模态交互的“iPhone时刻”到了吗？

从纯文本交互到现在的全模态实时互动，大模型正在变得越来越“类人”。Qwen3.5-Omni的出现，预示着未来的AI助手将不再局限于一个小小的对话框。它可能潜伏在你的智能眼镜里看你所看，或者在你的智能家居里听你所想。

当然，目前的模型在面对极其复杂的方言组合时偶尔还会夹杂普通话词汇 ¹，但这种进步速度已经足够让那些还在玩“文字游戏”的模型感到压力山大了。

引用

• Qwen3.5-Omni
• 全模态模型
• 阿里通义千问
• Vibe Coding
• 真香价格