Qwen3 Omni Flash 2025 12.01

听懂内容，也能用语音回答

Qwen3 Omni Flash 可以理解文字、图片、音频和视频，并生成文字或自然语音答复。它适合分析一段演示视频、整理录音中的主要信息，或根据图片回答问题。也可以通过系统提示设定角色、语气和回答长度，让多轮交互保持清楚的表达风格。

例如上传一段产品演示视频，让它说明主要操作与讲解内容，再整理成简短使用说明；上传一段英语语音，让它用中文概括要点，或用支持的语音语言回答。这里的语音输出是在理解内容后生成回复，不是给原录音做声音复刻。

输入材料怎样组合？

这一代模型支持文字与一种其他模态组合输入，如文字加图片、文字加音频或文字加视频。音视频应控制在 150 秒以内。长内容可以先切成有意义的片段，并在文字中说明前后关系；不要把多个独立媒体类型随意混成同一轮输入。

文字分析与语音回复怎么选？

模型支持通过 enable_thinking 开启思考，适合需要进一步分析的问题；思考模式只输出文字。需要语音回复时关闭思考，选择文字加音频输出，并设置音色。调用使用流式返回，应用需要分别接收文字与音频数据，再播放生成的声音。

它可以在支持函数调用的接入中连接应用工具，但没有内置联网搜索。需要实时资料时，应由应用获取并传入。处理听不清的语音或模糊画面时，让模型指出不确定内容，避免将猜测写进转录、摘要或操作说明。

分析演示视频时，先准备 150 秒以内的片段，再输入：

“请按操作顺序概括视频中的步骤，区分画面可见操作与讲解者说的话；没有展示结果的步骤不要写成成功。最后生成一段适合新人听的简短说明。”

只要文字分析时，将 modalities 设置为仅包含 text；需要深入分析，可开启 enable_thinking。要同时获得语音答复，关闭思考，将 modalities 设置为包含 text 和 audio，在 audio 中指定支持的音色，例如 Cherry，以及音频格式，例如 wav，并启用 stream: true。程序分别收集文字和音频流，检查内容后播放。