截至 2026-03-30 UTC，观看 Qwen 在 2025 年 9 月 22 日 发布、时长 6 分 35 秒 的 Qwen3-Omni 发布视频，最值得先抓住的重点不在模态数量，而在这些模态怎样被安排进同一段对话。[1] 这支片子有典型发布视频的节奏：切换很快，案例很多，想让人迅速形成“什么都能做”的印象。把视频和配套书面材料放在一起看，主线会更清楚：Qwen3-Omni 被写成一个能同时处理 文本、图片、音频、视频 的系统，可以用 文本和自然语音 实时回话，背后还有 Thinker-Talker 架构、多语言覆盖，以及把推理与语音生成放在同一条流程里的设计目标。[2][3][4]
关键处在于，视频几乎不把时间花在榜单镜头上。它反复展示的是同一种交互方式：用户开口、指向、展示、播放，模型接收这些不同信号，再像处理同一段对话那样回应。[1] GitHub README 与 Hugging Face 模型卡也沿着同一条线写，把实时音视频交互、自然对话回合、多语言输入输出，以及 speech recognition、speech translation、audio-visual dialogue、music analysis、video description、image math 这些 cookbook 用法并排摆出来。[2][3]
技术报告把这层产品叙述又往系统内部推了一步。报告写明，Qwen3-Omni 支持 119 种文本语言、19 种语音输入语言、10 种语音输出语言，采用 Thinker-Talker MoE 架构，并通过多码本语音方案追求更低的首包延迟，在冷启动场景下给出理论上的 234 毫秒 首包时间。[4] 放在一起读，视频的主张就比“阿里有一个全模态模型”更具体：阿里想把所有模态放进同一段对话里。 你开口、给它看图、让它看视频、放一段歌、拿文档给它看，这些动作都不该让用户感觉是在不同系统之间切换。[2][3][4]
配图说明：封面使用 Wikimedia Commons 上阿里巴巴西溪园区四期的实景照片。这里选用真实园区图像，更贴合本文所写的产品建设，也让“多种模态如何被收进同一段对话”这层判断有了现实空间上的对应。[5]
大约在 0:25，开场的点菜请求把翻译放进一个完整社交回合
视频里第一段清楚的示范，很快就把重点摆出来。用户说，自己带法国朋友去意大利餐厅吃饭，希望模型推荐一道意面，并用法语介绍给朋友听。[1] 画面把这一段标成 cross-lingual。更值得注意的是，推荐、上下文理解与语音输出被放在同一个回复回合里，没有被拆成机械的转写、翻译、再生成几个步骤。
Qwen 的书面材料和这一段贴得很紧。README 与模型卡都在强调，Qwen3-Omni 远不止识别语音、附带一点翻译能力：它可以接收混合模态输入，并以流式文本或自然语音形式给出回答，speech translation 与 audio-visual dialogue 也被直接列进 cookbook 的核心用法。[2][3] 也就是说，这支视频的开场绕开了单纯堆语言覆盖率的讲法，把多语言交互处理成一种日常而完整的社交回合。
放在产品层面上看，这个开场很有针对性。阿里想说明模型能做语言转换，也想让用户直接感到，语言切换本身就发生在同一段对话里，不需要先跨过一个清晰可见的子系统分界。对 AI-China 来说，这已经从模型能力陈述进入产品入口的争夺。
大约在 1:24 和 1:30，语音理解被推进到带场景锚点的音视频问答
第二段重要示范，开始让模型面对带视觉线索的场景，声音只是其中一层。视频里先问某位说话者在谈什么、某个历史地点的上下文是什么，随后又切到一段日式餐食画面，让模型对视频中的动作和场景进行回答。[1] 这一步的意义，在于模型需要把语言、画面与时间顺序同时纳入处理，单独语音作答已经不够。
Qwen 的 GitHub 仓库没有把这种能力写成附带模块。README 直接把 video description、audio-visual question、audio-visual dialogue 这些用法列成核心 cookbook 类别。[2] Hugging Face 模型卡也是同样的排布，这说明产品在组织方式上已经把多模态交互当成一套统一能力来写，而不是一组分散工具箱。[3]
顺着这个安排回看视频，历史地点和餐食片段之所以重要，正在于它们展示了 reference binding。模型需要把听见的话、看见的对象、动作发生的先后关系，一并放进同一个回答里。技术报告对文本、图片、音频、视频统一感知与生成的描述，正好给这层画面提供了底层解释。[4] 这支短片的卖点也由此从“支持多输入”移向“带锚点的对话”。
大约在 2:31 到 3:35，多人视频把价值从转写推到记忆与说话者归属
视频中段最有分量的一段，出现在 2:31 左右的 multi-person video。几位说话者轮流自我介绍，提到自己的情绪、宠物与私人细节。[1] 到 3:35 左右，模型被继续追问，比如谁说了自己的宠物、谁分手的原因是什么，它都要从前面的多人片段中把正确信息重新取出来。[1]
这一段比普通语音转写更能说明问题。单纯的 speech recognition 只能把音频转成字，speaker diarization 可以再往前走一步，把人分开。一个有产品价值的助手，还要能把说话者身份、细节记忆与后续追问放在一起，在新的对话回合里不丢失“到底是谁说了什么”。Qwen 的 README、模型卡和技术报告反复强调 audio-visual dialogue、多模态推理与自然对话回合，这一段正是这些说法落地的地方。[2][3][4]
放进 AI-China 的现实使用场景里，这就不再像一支炫技短片，而更像会议纪要、客服复盘、视频记录、现场问答这类工作流的产品雏形。它要争夺的价值，也不止于“看得懂音视频”，而在于模型能不能在第一轮之后继续留在同一条对话线上，顺着上下文回答后来出现的问题。
大约在 3:58、5:00 与 5:53，会议、音乐和文档沿用同一种交互语法
多人片段之后，视频又很快切到别的场景。大约 3:58，镜头变成一个讨论实时协作功能与项目延期风险的会议式对话；到 5:00 左右，视频进入 music analysis，让模型概括歌曲的情绪与歌词主题；再到 5:53，它又被要求看图并完成一个积分计算。[1]
这些片段显然经过安排，远远超过随手拼接的能力卡片。它们和 README、模型卡里的 cookbook 分类一一对应：speech 与 dialogue、music analysis、audio caption、video description、image math，全都在官方说明里被列成明确用法。[2][3] 技术报告再进一步，把这背后的系统意图说清楚：Qwen3-Omni 被设计成一个跨文本、图像、音频、视频都保持强性能的统一模型，避免为了追求“全”而接受明显退化的折中方案。[4]
所以，这几段推进的是同一种用户语法。会议、歌曲、手写公式都按同样的方式出现：给模型一个对象，问一个问题，迅速得到回答，再接着往下走。到了这里，视频最重要的单位已经从 benchmark 和任务类型移到 对话回合本身。
大约在 6:07，收尾那句车窗请求提前露出终点方向
视频最后一段可辨认的请求很短，却关键。用户说，天气太冷了，请帮我把车窗关上，再放一首民谣。[1] 片子随即结束，可这句收尾已经把方向亮出来。只要文本、语音、视频、场景理解都被放进同一段对话里，轻量动作调用就会自然成为下一步。
Qwen 的书面材料没有把这层意思说得夸张，但确实给它留了位置。README 与模型卡都提到 flexible control、通过 system prompt 进行细粒度适配，以及 cookbook 里带有 agent 色彩的 audio function call 用例。[2][3] 技术报告则给出更宽的框架：Qwen3-Omni 试图统一感知与生成，让模型能够围绕任意模态输入推理，并实时作答。[4]
也正因为这样，这支发布视频现在仍然值得反复看。它最强的讯号，除了 Qwen3-Omni 能看、能听、能读、能说，更在于阿里想让这些能力都被用户感知为同一段持续进行的对话。如果这套 framing 成立，AI-China 的竞争焦点就会从孤立的模态演示，转向 谁能占住用户意图、多模态上下文与即时回应之间的对话回合。
来源
- Qwen，《Qwen3-Omni: Natively Omni-Modal Foundation Models!》，官方 YouTube 视频，发布于 2025 年 9 月 22 日。
- Qwen Team，《Qwen3-Omni》GitHub 仓库 README（概览、多语言覆盖、Thinker-Talker 架构、cookbook 分类与部署说明）。
- Qwen Team，《Qwen3-Omni-30B-A3B-Instruct》Hugging Face 模型卡（功能摘要、cookbook 结构、多语言支持与实时交互定位）。
- Qwen Team，《Qwen3-Omni Technical Report》arXiv 条目与摘要页（benchmark 框架、Thinker-Talker MoE 设计、语言数量与首包延迟）。
- Wikimedia Commons，《File:Phase 4 of Alibaba Xixi Park 20200913.jpg》。