9月24日，阿里巴巴发布全模态预训练大模型Qwen3-Omni系列。该模型在36个音视频基准测试中，22项达SOTA水平，32项取得开源模型最佳效果，语音识别、音频理解与对话能力媲美Gemini2.5-Pro。Qwen3-Omni支持全模态输入输出，通过多模态混合训练实现“听”“说”“写”能力，预训练采用单模态与跨模态数据结合。其在音频、音视频能力突出的同时，文本与图像性能保持稳定，首次实现业内这一综合训练效果。

9月23日，阿里云发布并开源全球首个端到端全模态AI模型Qwen3-Omni，支持文本、图像、音频和视频的统一处理。该模型在36项音视频基准测试中，22项达最新水平，支持119种文本语言及多语言语音输入输出，创新采用MoE架构与AuT预训练技术。同时推出Qwen3-TTS文本转语音工具，支持17种音色和10种语言，并优化延迟与音质表现。此外，Qwen-Image-Edit-2509升级版提升图像编辑一致性，新增多图像编辑功能。相关模型已在GitHub、Hugging Face等平台开源。