Команда Qwen из Alibaba Cloud анонсировала новое поколение мультимодальной модели — Qwen3.5-Omni, которая способна обрабатывать текст, изображения, аудио и видео, генерируя текст и речь в реальном времени. Модель доступна в трех вариантах: Plus, Flash и Light, через Offline API и Realtime API. новые модели Qwen3.5 новую модель искусственного интеллекта новую языковую модель

Основное отличие от предыдущей версии, Qwen3-Omni, заключается в масштабах — контекстное окно увеличилось с 32 до 256 тысяч токенов, что позволяет обрабатывать более 10 часов аудио или 400 секунд видео 720p за один раз. Распознавание речи охватывает 113 языков и диалектов (ранее 19), а синтез — 36 языков (было 10).

По результатам тестирования, версия Plus продемонстрировала выдающиеся результаты на большинстве аудио- и аудио-видео бенчмарков, обойдя Gemini 3.1 Pro в понимании аудио и диалоге. Новые функции включают семантическое прерывание, клонирование голоса и встроенные WebSearch и FunctionCall.

Неожиданным дополнением стала способность, названная Audio-Visual Vibe Coding, которая позволяет модели писать код, наблюдая за видеозаписью с аудиоинструкциями, без текстового промпта. Эта функция возникла как эмерджентное свойство, не будучи целенаправленно обученной.