Qwen4-Max-Preview
Qwen4-Max-Preview 是通义千问新一代旗舰多模态模型的预览版,面向较高要求的推理、视觉理解和任务执行。发布日期为 2026-11-11。(alibabacloud.com) 接收文本、图片和视频输入,以文本回答;支持文本生成、深度思考、图片和视频理解。 支持函数调用、联网搜索、内置工具,以及 JSON Object 和 JSON Schema 结构化输出;兼容 OpenAI Chat…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
Qwen4-Max-Preview 是通义千问新一代旗舰多模态模型的预览版,面向较高要求的推理、视觉理解和任务执行。发布日期为 2026-11-11。(alibabacloud.com) 接收文本、图片和视频输入,以文本回答;支持文本生成、深度思考、图片和视频理解。 支持函数调用、联网搜索、内置工具,以及 JSON Object 和 JSON Schema 结构化输出;兼容 OpenAI Chat…
实时双工语音对话模型,由阿里云百炼提供推理服务,适合构建实时语音交互应用,例如语音助手和客服对话。(docs.qwencloud.com) 支持文本、音频输入和输出,以及函数调用、联网搜索和声音复刻。联网搜索可与函数调用同时启用。 支持 WebSocket、WebRTC 和 AOQ 接入;支持 server_vad、smart_turn、smart_turn_v2 和按键说话交互模式。smart_…
Qwen-Audio-3.1-TTS-Plus 是面向精品音色和内容创作的专业级文本转语音模型,侧重音质、自然度和细节表现。输入为文本,输出为音频。(docs.qwencloud.com) 支持多语言、方言和流式语音合成;可通过自然语言指令和细粒度标签控制情绪、语气、角色、语速和音量。(docs.qwencloud.com) 支持系统音色、声音复刻和音色设计。官方称,声音复刻对含噪声或混响的参考音…
面向低延迟实时交互的文本转语音模型,由阿里云百炼提供推理服务;输入为文本,输出为音频。(docs.qwencloud.com) 支持多种语言和方言、流式语音合成,以及通过自然语言指令和细粒度标签控制情绪、语气、角色、语速和音量。 支持声音复刻;官方称其对参考音频中的噪声和混响具有更强的鲁棒性。 适用于语音助手、实时对话和智能客服等场景。(docs.qwencloud.com) 官方模型资料未列出最…
Qwen-Image-2.1-Turbo 是 Qwen-Image-2.1 的加速版本,统一支持文本生成图像和图像编辑。其视觉生成组件采用 70 亿参数架构,官方推荐的生成流程使用 8 个去噪步骤;模型权重可用于本地部署,也可通过阿里云百炼 API 调用。(huggingface.co) **输入与输出:**接受文本和图像输入,输出图像;支持文生图、图生图和图像编辑。图像编辑最多可传入 10 张参…
Qwen-Image-2.1-Pro 是通义千问系列中统一的文生图与图像编辑模型,通过阿里云百炼提供推理服务。其视觉生成组件有 70 亿参数,采用 32 层单流 DiT 架构;该参数量不应理解为整个系统的总参数量。(docs.modelstudio.console.alibabacloud.com) 接受文本和图像输入,输出图像;支持文生图、图生图和图像编辑。 支持生成普通图像或带透明通道的…
Qwen-Audio-3.1-ASR-Flash 是面向短音频的非实时语音识别模型,输入音频、输出文本,适用于多语言语音和文化内容转写。官方发布公告将其列于 2026 年 9 月 21 日。(alibabacloud.com) 支持多语言及多个地区的中文方言识别,并针对中文古诗词的韵律、节奏和文言表达进行优化。 支持上下文增强、标点预测、文本规范化、转写润色,以及多人对话的说话人区分;支持多种方言…
端到端实时语音识别模型,输入音频、输出文本,由阿里云百炼提供推理服务。适用于实时会议转写、直播字幕和智能交互等场景。(alibabacloud.com) 支持流式语音转写、多语言及多地区中文方言识别、中英文切换、热词和上下文增强、标点预测、文本规范化,以及多种方言的可控语音识别或语音翻译输出。官方称其具备噪声鲁棒性。(alibabacloud.com) 支持 WebSocket 接入。实时识别文档…
面向语音消息、语音输入法和企业业务场景的生成式自动语音识别模型,由阿里云百炼提供推理服务。输入为音频,输出为文本。(alibabacloud.com) 支持中文、英文及多语言识别,重点优化印尼语、日语、泰语、菲律宾语、越南语、韩语和马来语;可自动识别语言或指定目标语种。 支持流式上屏、P0/P1 热词、文本归一化、结合前文转写和业务上下文识别,以及可开关的原生文本润色。 中文方言可保留口语原文或转…
Qwen-Audio-3.1-TTS-Next 是面向统一音频生成的 AudioGen 模型,由阿里云百炼提供推理服务。它不局限于传统文本转语音,可结合文本、时间戳和参考音频,一次生成包含人声、音效和环境音的完整音频。(docs.bailian.console.aliyun.com) 支持中文和英文,可用于单人语音、多人对话、播客、影视声景、环境音和音效生成;适用于内容创作、短视频、播客、影视及游…
面向实时音视频交互的全模态模型,可在接收流式音视频时进行交互,并输出文本和音频。适用于实时语音助手、客服、视觉问答等场景。(alibabacloud.com) 输入文本、流式音频和视频连续图像帧;输出文本和音频。 支持自定义工具调用、远程 MCP 工具和视频聚合。 支持 WebSocket、WebRTC 和 AOQ。WebSocket 接入支持 1、2、4 声道,多通道输入使用 16 kHz…