Qwen3.5-Omni In-Depth Experience: This is What "AI Productivity" Should Look Like!

你一定有過這種經歷：開完一場兩小時的會議，錄像文件安安靜靜躺在網盤裏，但沒人願意回看——因為回看的成本幾乎等於再開一次會。

一條爆款帶貨視頻刷到了，你隱約覺得它的轉化邏輯值得學，但既沒時間逐幀拆解，拆了也不知道怎麼變成自己的腳本。

還有英文播客、發佈會直播、夾雜方言且需要覆盤的客服錄音——這些音視頻內容每天都在大量產生，但對絕大多數人來説，它們被"看過"或"聽過"之後，就再沒有然後了。

我們的日常中，大量非常非常有價值的音視頻內容無法被拆開、被檢索、更沒法總結經驗拿去複用。

而阿里千問剛剛發佈的 Qwen3.5-Omni，讓我們覺得這個問題開始有解了。

它是千問最新一代全模態大模型，採用混合注意力 MoE 架構，在海量文本、視覺及超過 1 億小時的音頻數據上做了原生多模態預訓練，在 215 項第三方性能測試中取得 SOTA，多項核心指標超越 Gemini-3.1 Pro。

比跑分更值得説的，是我們在實測中實際體驗到的東西——經過幾輪極其刁鑽的極限測試後，這個全模態模型徹底震撼到我了：

• 我們讓它拆解了一支《沙丘》預告片——它不僅按時間戳做了結構化分析，還推理出了角色間的隱含關係，生成了帶節奏設計和調色建議的復刻分鏡腳本；
• 我們給了它一條爆款 TikTok 帶貨視頻——它拆出了完整的轉化歸因，輸出了可以直接遷移到其他行業的 5 步腳本模板；
• 我們對着一張畫得很醜的手繪草圖口述需求——它直接生成了能跑的 React 頁面，然後我們繼續口述修改，它一輪輪迭代下去，上下文始終沒丟。

這意味着，你可以把一場兩小時的會議錄像扔給它，拿回一份帶時間戳的結構化紀要和待辦清單；把一條競品的爆款視頻丟進去，直接拿到可遷移的腳本模板；用它給客服錄音做質檢，輸出情緒軌跡和話術評分。

它的意義，絕不僅僅是多模態能力的又一次參數升級。它讓我親眼看到，原本只能"看一遍就過去"的音視頻內容，是如何被生生拆解成可以直接拿去幹活的 “數據資產” 的。

而如果你給你的龍蝦接上 Qwen3.5-Omni，給你的龍蝦裝上 “眼睛” 和 “耳朵”，那麼你就能獲得一個真正能聽懂語音指令、看懂視頻內容、理解音頻信息，還會操作電腦的數字員工。

這，或許才是那場我們期待已久的、屬於全模態大模型的真正生產力革命。

接下來，我們先來看看實測細節，再聊聊這個模型正在改變什麼，以及阿里拿它在下一盤什麼棋。

（1）沙丘：不止是"看懂故事"

我們選了沒有字幕版的《沙丘》預告片作為第一個測試素材，來對 Qwen3.5-Omni 的多模態能力進行 “極限測試”。

預告片天生就是視頻理解領域最不友好的素材：密集的鏡頭切換、多線敍事、大量隱喻和視覺暗示，視聽密度極高。

而對於 Qwen3.5-Omni 來説，第一輪的結構化信息提取幾乎沒有難度：劇情時間線、關鍵鏡頭、畫面文字、説話人與台詞、角色陣營關係、情緒變化曲線，全部按時間戳精準剝離。

第二輪，我們指定了第 24 秒出現的台詞，要求它回答對應畫面、説話者和情緒。它準確定位到"She would need to be strong, like her mother"，正確識別為保羅的畫外旁白而非現場對話，對應畫面為查妮沙漠逆光側臉特寫，情緒判斷——温柔、敬重、期許——與畫面完全吻合。

真正的考驗，在於第三輪的"深層推理追問"——

我們要求它分析角色間的"隱含關係"並給出鏡頭和台詞證據、識別預告片中的"伏筆"鏡頭及其對未來劇情的指向、生成一個 45 秒短視頻復刻分鏡腳本。

它準確識別出保羅與費德 - 羅薩之間的"鏡像宿敵"關係、保羅與傑西卡之間的"斷裂傳承"張力、查妮作為"人性錨點"的角色定位，而且附帶了視覺構圖證據和台詞對照。

它給出的復刻分鏡腳本也不是模糊的敍事概括，而是帶有"慢板抒情→快速剪輯→史詩爆發"的三段式節奏設計，甚至包含調色方向、音效提示和字幕處理建議。

説實話，到這一步，它已經不是在"看懂視頻"，而是有點導演拆片的意思了。它把 LLM 的"視頻理解"能力，從摘要層推到了鏡頭語言解讀、關係推理層面。

（2）帶貨：從一條爆款 Tiktok 帶貨視頻裏，拆出轉化的底層邏輯

對更多人來説，更現實的問題是：它在真實世界，在日常工作中是不是真的 “有用”？

我們輸入了一條義烏招商類 TikTok 爆款帶貨視頻，要求 Qwen3.5-Omni 幫助我們拆解、復刻。

結果，模型不僅按 Hook、賣點排序、畫面證明點、字幕策略、情緒節奏、CTA 時間點、目標人羣七個維度完成了結構化拆解，它的歸因分析也極具洞察力：三級物理證據鏈構建"所見即所得的信任"、"2 萬種 SKU + 20 美分均價"製造數字錨點、保姆式全案承諾實現風險逆轉。

換句話説，它看出來了：這條視頻賣的不是商品，而是確定性。

為了驗證它是不是在生搬硬套營銷學名詞，我們告訴它，"我家工廠是賣 T 恤的，幫我按這個套路設計一個腳本"，要求它把這套邏輯遷移到"T 恤定製工廠"場景。

結果，它不僅把剛剛分析出的 5 步轉化模板成功遷移到 T 恤場景，還把 Hook 極其自然地改成了"拉扯 T 恤展示彈性"，把實力證明換成了"印花機噴墨特寫 + 揉搓不掉色"，甚至附帶了評論區運營引導私信的實操建議。

也就是説，大模型不再只是內容理解工具，它已經可以充當不知疲倦的電商分析師和社交媒體運營專家。

（3）口述一個 App：邊看、邊説、邊改

第三個測試，堪稱 “Vibe Coding” 的升級版——"音視頻 Vibe Coding"。

我們手繪了一張故意畫得很粗糙的 APP 線框圖，打開攝像頭，手持草圖對着鏡頭口述："你看這個是我畫的界面草圖……請用 React 幫我生成完整代碼，可以直接運行的。"

它識別了手繪佈局並生成了 React 代碼。接着我們繼續口述修改——"導航欄改成側邊欄，主按鈕放大一倍換圓角"，同時上傳替換圖片。之後又測了深色主題、進度條動畫、按壓反饋等迭代，它始終能延續上下文，不丟失之前的修改。

幾輪修改後，網頁成功上線。

整體體驗上來説，它接住了人類最真實的交互方式：邊看、邊説、邊改。不是以前那種"AI 生成代碼你自己去調"的體驗，更像一個經驗豐富的開發者坐在你的旁邊。

（4）連起來看

從《沙丘》的複雜敍事，到帶貨的商業分析，再到口述做 App 的隨性交互，如果我們把上面的幾個測試案例串起來看就會發現：

Qwen3.5-Omni 成功證明了：它能把複雜的、混亂的、連續的輸入，變成可以直接拿去用的結果。

另外補充兩個我們也測了但沒展開寫的用例：遊戲視頻生成解説：網頁端出文案，API 端出 TTS 語音；"24 小時 AI 新聞編輯部"——50 分鐘國際新聞發佈會音頻走完信息提取、雙語稿件生成和語音播報，效果都不錯，感興趣的朋友也可以試試。

底層改變：從"看懂內容"到"拆成資產"

前面三個場景能跑通，不僅因為"能力變強了"，而是底層產品設計發生了質變：它把連續、混雜、難以檢索的音視頻流，強制拆解為高度結構化的中間層。

（1）拆得多細：不是摘要，是字段級的結構化資產

翻開官方 API 文檔你會發現，Qwen3.5-Omni 對音視頻的推薦輸出格式不是一句籠統的摘要，而是三層硬結構：

• Storyline（按時間戳融合音畫細節的故事線）；
• Visible Text（帶起止時間和外觀特徵的畫面文字清單）；
• Speakers and Transcript（含説話人身份、口音、語氣、情緒的逐字稿）。

換句話説，它拿到的不再是"一團視頻"，而是一份可以被代碼直接調用、檢索和執行的結構化資產。這就是沙丘測試能做到精確回溯，TikTok 測試能輸出可遷移模板的底層原因。

支撐這種顆粒度的，是實打實的模型基礎能力——混合注意力 MoE 架構，超過 1 億小時音頻數據的原生多模態預訓練，模型智力與 qwen3.5-plus 同一水平，215 項第三方測試取得 SOTA。

（2）拆得多長：超大上下文窗口

256K 上下文窗口，支持超過 10 小時音頻、超過 400 秒 720P 視頻。

長內容真正的難點從來不是"看完"，而是跨段關聯和證據回溯——扔進 10 小時的會議錄音，問"第 5 分鐘提到的人在第 30 分鐘説了什麼"；輸入帶貨直播錄屏，讓它揪出誇大宣傳的時間點並附上畫面和台詞證據；用它給客服錄音做質檢，輸出情緒軌跡和話術評分。

這些過去高度依賴人力、極易出錯的信息整理工作，Qwen3.5-Omni 正在試圖接管。

（3）交互：是動態接口

實時交互這一面，它支持智能語義打斷——不會因為你咳嗽一聲或隨口説個"嗯"就中斷髮言，過濾掉了無意義的背景音干擾。

它原生支持聯網搜索的 FunctionCall，能自主判斷是否需要拉起搜索來回應實時問題，開發者還能在回執中看到精確的計量信息。這從工程層面緩解了企業用大模型時最頭疼的"時效性與幻覺"問題。

語音表達層的能力提升同樣很有價值，現在，它支持 113 種語種和方言的語音識別，三十六種語言和方言的語音合成，內置 47 個多語言説話人和 8 個方言説話人。

在我們的實測中，無論是自稱"聲音像温熱奶茶"的客服角色 Tina，還是四川話的"晴兒"，角色感和產品感都很強。

這不只是"聽得懂更多"，而是為海外客服、審核質檢、有聲讀物、播客配音這些高頻場景備足了彈藥。

一句話簡單總結，Qwen3.5-Omni，讓音視頻變得"可拆"——不是"看懂了"，而是拆成可以檢索、可以複用、可以直接拿去幹活的現成素材。

阿里真正想賣的，也不只是一個模型

聊完產品和技術，值得把視線從模型本身移開，看看阿里最近在組織和產品上的一系列動作——一條清晰的商業暗線就會浮出來。

不久前，阿里成立了由 CEO 吳泳銘直管的 Alibaba Token Hub（ATH）事業羣，明確提出以 “創造 Token、輸送 Token、應用 Token” 為核心。其中，首次亮相的 “悟空事業部” 定位極為明確：“B 端 AI 原生工作平台，將模型能力深度融入企業工作流”。

而在釘釘最新發布的 “悟空” 產品中，核心邏輯已經從 “溝通即生成” 進化為了 “溝通即執行”（CLI 化，AI 直接調底層接口）。AI 不再只是陪你聊天，而是被要求自己去網上看競品視頻、分析小紅書爆款、跨系統拉取數據、甚至生成數據動畫。

注意這裏的關鍵詞：看視頻、聽音頻、跨平台執行。當 AI Agent 開始長出"手腳"，自主去處理大量音視頻內容時，它對全模態理解能力的需求和 Token 的消耗量，都將遠超純文本對話時代。

在這個背景下回看 Qwen3.5-Omni，它的極低定價（每百萬 Tokens 輸入不到 0.8 元，比 Gemini-3.1 Pro 的 1/10 還低）和強大的結構化音視頻能力，更像是在為以悟空為代表的阿里 B 端企業級 Agent 大規模落地，儲備高性價比、穩定的全模態基礎設施。

要知道，把長達數小時的音視頻拆解成精細的結構化數據，過去意味着企業需要拼裝一整條鏈路——ASR 轉寫、文本大模型、視覺理解模型、TTS 合成——成本高、鏈路長、斷點多。

而現在，一個端到端的全模態模型，把這件事的門檻徹底踏平了。

我覺得 Qwen3.5-Omni 真正值得被記住的，不是它今天能看懂一段多複雜的電影預告片而是從這一刻起，它開始能把音視頻內容，變成企業工作流裏可以切實處理、複用的 “數字資產”——

全模態大模型驅動的生產力革命，正在來臨。