Qwen3-Omni-Flash-2025-12-01: Natives multimodales Großmodell der nächsten Generation

• Qwen3-Omni-Flash-2025-12-01 verarbeitet Text, Bilder, Audio und Video gleichzeitig und erzeugt im Echtzeit-Streaming Text- und Sprachausgaben, wodurch ein multimodales Modell der nächsten Generation ermöglicht wird
• Das Verständnis für Audio- und Videoanweisungen sowie die Dialogstabilität wurden deutlich verbessert, sodass eine natürliche und konsistente Sprach-Video-Interaktion realisiert wird
• Mit der Funktion zur vollständigen Kontrolle des Systemprompts lassen sich Details wie Persönlichkeitsstil, Sprachstil und Ausgabelänge präzise anpassen
• Unterstützt 119 Sprachen für Text, 19 Sprachen für Spracherkennung und 10 Sprachen für Sprachsynthese, wodurch mehrsprachige Konsistenzprobleme behoben werden
• In allen Bereichen wie logischem Schlussfolgern, Code-Generierung sowie visueller und auditiver Verarbeitung wurde die Leistung gesteigert, was eine natürliche und präzise KI-Interaktionserfahrung liefert

---

Überblick zu Qwen3-Omni-Flash-2025-12-01

• Qwen3-Omni ist ein natives multimodales Großmodell, das Text, Bilder, Audio und Video verarbeitet und Text und natürliche Sprachausgaben in Echtzeit generiert
• Diese Version Qwen3-Omni-Flash-2025-12-01 ist ein komplettes Upgrade von Qwen3-Omni
• Durch die umfassende Verbesserung von Modellleistung und Effizienz liefert sie schnellere und genauere multimodale Verarbeitungsfähigkeiten

Hauptverbesserungen

• Stärkung der Audio-Video-Interaktion

  • Das Verständnis und die Ausführung von Sprach- und Videoanweisungen wurden deutlich verbessert, wodurch das Problem der Leistungseinbußen in alltäglichen Gesprächssituationen gelöst wurde
  • Die Stabilität und Konsistenz mehrrunder Audio-Video-Dialoge wurde verbessert, wodurch eine natürlichere Interaktion möglich ist

• Erweiterte Kontrolle des Systemprompts

  • Der Systemprompt kann vollständig angepasst werden, sodass die exakte Steuerung des Modellverhaltens möglich ist
  • Details wie Persönlichkeitsstil (z. B. süß, cool, animeartig), Tonfall und Ausgabelänge können feinjustiert werden

• Verbesserte Zuverlässigkeit der Mehrsprachenunterstützung

  • Unterstützt textbasierte Interaktionen in 119 Sprachen, 19 Sprachen für Spracherkennung und 10 Sprachen für Sprachsynthese
  • Frühere Sprachinstabilitätsprobleme wurden behoben und eine genaue, konsistente mehrsprachige Leistung sichergestellt

• Natürliche Sprachsynthese

  • Sprechtempo, Pausen und Intonation werden automatisch anhand des Textkontexts angepasst, um eine menschengleiche Sprachqualität zu erzielen
  • Langsame oder mechanisch klingende Sprache wird reduziert und es wird eine ausdrucksstarke, natürliche Sprachausgabe bereitgestellt

Leistungskennzahlen

• Verbesserte Textverständnis- und Generierungsfähigkeiten

  • ZebraLogic +5.6, LiveCodeBench-v6 +9.3, MultiPL-E +2.7, Schreibqualitätsindex WritingBench +2.2 wurden verbessert
  • Höhere Zuverlässigkeit bei der Ausführung komplexer mehrstufiger Anweisungen

• Verbesserte Spracherkennungsgenauigkeit

  • In Fleurs-zh wurde die Wortfehlerrate reduziert, und VoiceBench +3.2 verbessert
  • Die Spracherkennung in realen Gesprächsumgebungen wurde gestärkt

• Verbesserte Qualität der Sprachsynthese

  • In chinesischen und mehrsprachigen Umgebungen wird eine natürliche Intonation und ein natürliches Rhythmusmuster umgesetzt
  • Eine Sprechqualität nahe der menschlichen Stimme wurde erreicht

• Verbesserte visuelle Verständlichkeit

  • In visuellen Schlussfolgerungsaufgaben wurden MMMU +4.7, MMMU-Pro +4.8, MathVision_full +2.2 verbessert
  • Die Fähigkeit zur Interpretation komplexer visueller Inhalte wie Diagramme und mathematische Formen wurde ausgebaut

• Verbesserte Videoverstehensleistung

  • Mit MLVU +1.6 wurde das semantische Videoverständnis gestärkt
  • Eine verbesserte Audio-Video-Synchronisation stärkt die Echtzeit-Video-Kommunikation

Zukünftige Pläne

• Es ist geplant, Nutzerfeedback und innovative Anwendungsszenarien auf Basis von Qwen3-Omni zu sammeln
• Zukünftige Erweiterungen sind vorgesehen, darunter mehrsprecherbasierte Spracherkennung (ASR), Video-OCR, audio-visuelles selbstüberwachtes Lernen sowie Unterstützung für agentenbasierte Workflows und Funktionsaufrufe

Zitationshinweise

• Für die Forschung wird die folgende Zitierung empfohlen
  • @misc{qwen3_omni_20251201, author={{Qwen Team, Alibaba}}, title={{Qwen3-Omni-Flash-2025-12-01：Hear You. See You. Follow Smarter!}}, year={2025}, url={https://qwen.ai/blog?id=qwen3-omni-20251201}