阿里弄了个叫Qwen3.5-Omni的大模型，这回真把音视频理解这块儿给推到新高度了。到了2026年3月30日那天，阿里巴巴正式把这玩意儿推出来。这个模型可厉害了，能顺溜地理解文本、图片，还有音频、音视频的各种输入，就像人的感官一样全面。这说明人工智能又往前迈了一大步。 Qwen3.5-Omni在215项测试里都挺出彩的，特别是在处理音频和音视频的时候，无论是分析、推理还是对话翻译，都干得比Gemini3.1-Pro好。它自带的那种自然涌现的Audio-Visual Vibe Coding功能，还有能生成细粒度Caption的本事。用户只要把视频传上去，让它给生成个带时间戳的详细说明就行，不光能知道画面里有谁、背景乐变了没，还能帮着看看视频里有没有敏感内容。 要是你用的是Qwen3.5-Omni-Plus，你可以直接给它下指令让它生成那种结构完整的字幕。从画面里的人到背景音乐的变化，都能给你说得明明白白。跟人说话也挺自然，支持那种语义打断、音色克隆还有语音控制。你可以调大调小声量、改改语速和语气，感觉就像跟真人聊天一样。那个音色克隆功能特别有意思，你录段音就能定制一个专属的AI助手声音。 除了聊天玩得转，它还挺能干活儿。你问问天气或者订个酒店都行，它能自己上网搜搜再给你完整的建议。它原生就支持WebSearch和工具调用，聊天的时候顺手就能把活儿干了。跟老产品比起来，长上下文、多语言处理、还有音视频理解能力都变强了不少。加上ARIA技术加持，语音输出更稳、更像真人说话了。 要是想试试这模型，去阿里云百炼搜索API上就能调出来。它有Plus、Flash、Light三种大小可选，不管是普通场景还是特定场景都能满足需求。这事儿标志着阿里在搞AI应用和发展上到了一个新阶段了，咱就坐等看它以后还能变出什么花来吧。