阿里云又在深夜放出了新東西，這次是Qwen系列的多重更新：Qwen-Image迎來月度大升級，Qwen3-Omni全模態模型、語音生成模型Qwen3-TTS也同步開源。

?

?

這次或許真的可以和谷歌Nano Banana說再見了。升級后的Qwen-Image-2509，針對性解決了之前圖像編輯里的不少麻煩。之前處理多張圖片拼接時，總容易出現邊緣生硬、風格不統一的問題，現在它能輕松應對“人+產品”“人+場景”這類組合輸入，1到3張圖的融合效果尤其自然。

?

?

更實用的是一致性提升，編輯人像時不管怎么換姿勢、調風格，面部特征都能保留得很好，做產品海報時也不用擔心修圖修到產品本身走樣。

?

文字編輯也比以前靈活，不只是改內容，字體、顏色甚至材質紋理都能調整，加上原生支持的ControlNet功能，深度圖、邊緣圖這些精準操控工具都能直接用，不用再額外找插件。

?

?

?

?
而同樣值得關注的，是首個原生端到端全模態模型Qwen3-Omni的發布。

?

之前用多模態模型，總免不了在文本、圖像、音頻這些不同類型的處理之間切換，效率不高還容易出偏差，而Qwen3-Omni終于實現了統一處理。

?

?

它能同時接收文本、圖像、音頻和視頻輸入，然后直接用文本或自然語音輸出結果，36項音頻和視頻基準測試里有22項都達到了最新水平，開源范圍內更是32項領先，自動語音識別這些核心能力已經能和Gemini 2.5 Pro看齊。

?

同時，多語言支持上它也做了不少擴展，文本能處理119種語言，語音輸入支持19種，輸出也有10種，連粵語這樣的方言都包含在內。

?

實時交互的延遲控制得也不錯，這對于需要輪流對話的場景很重要，比如做客服機器人或者實時翻譯，不會有明顯的卡頓感。

?

其專門開源的Qwen3-Omni-30B-A3B-Captioner模型，還填補了開源社區在精細音頻描述領域的空白。

?

同步發布的Qwen3-TTS也藏著實用的升級，17種音色每種都支持10種語言，不僅有常見的多國語言，還有閩南語、四川話這些方言選項。

?

Qwen3系列提供了從0.6B到235B不同規模的版本，最小的0.6B模型在普通手機上都能流暢運行，日常的推理任務完全能應對。旗艦版的235B模型也不用復雜的硬件配置，4張H20就能部署，顯存占用只有性能相近模型的三分之一。

?

開發團隊提到，他們花了很多時間解決那些不花哨但實用的問題，比如平衡不同領域的數據、穩定擴展強化學習。

?

這種務實的思路在模型里體現得很明顯：Qwen3-Omni的“思考者-表達者”架構，能根據任務輕重切換思考模式，復雜問題慢慢推理，簡單問題快速響應，幫用戶在效果和成本之間找平衡；不同規模的模型覆蓋從手機到企業服務器的全場景，不用為了性能被迫投入過高成本。
?

從圖像編輯的細節優化到全模態的統一處理，能看出來是在順著用戶的實際需求往下走。對于一直在找好用又實惠的AI工具的人來說，這樣的更新或許比那些噱頭滿滿的發布會更值得關注。