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&#34;看過&#34;或&#34;聽過&#34;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。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/116485c5-d120-4a59-af2d-d4e16c3a3978.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="745" height="557" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/116485c5-d120-4a59-af2d-d4e16c3a3978.png"/>
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：
<ul>
<li>
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；
</li>
<li>
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；
</li>
<li>
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。
</li>
</ul>
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&#34;看一遍就過去&#34;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。
<section>
<h2>拆電影、覆盤帶貨、口述寫代碼：全模態能力全面進化</h2>
</section>
（1）沙丘：不止是&#34;看懂故事&#34;
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。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/83d7635b-090f-468c-94ae-84e0ae3e5ade.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="815" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/83d7635b-090f-468c-94ae-84e0ae3e5ade.png"/>
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&#34;She would need to be strong, like her mother&#34;，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。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/343cc783-2ff9-4232-a227-e0a17287d9bf.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="443" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/343cc783-2ff9-4232-a227-e0a17287d9bf.png"/>
真正的考驗，在於第三輪的&#34;深層推理追問&#34;——
我們要求它分析角色間的&#34;隱含關係&#34;並給出鏡頭和台詞證據、識別預告片中的&#34;伏筆&#34;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&#34;鏡像宿敵&#34;關係、保羅與傑西卡之間的&#34;斷裂傳承&#34;張力、查妮作為&#34;人性錨點&#34;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&#34;慢板抒情→快速剪輯→史詩爆發&#34;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&#34;看懂視頻&#34;，而是有點導演拆片的意思了。它把 LLM 的&#34;視頻理解&#34;能力，從摘要層推到了鏡頭語言解讀、關係推理層面。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/188676bf-5e0b-41d9-a781-e921e25f01e7.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="796" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/188676bf-5e0b-41d9-a781-e921e25f01e7.png"/>
（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。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/53a1bbb2-90e6-4e3e-9bd3-0d2617337d13.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="865" height="748" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/53a1bbb2-90e6-4e3e-9bd3-0d2617337d13.png"/>
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&#34;所見即所得的信任&#34;、&#34;2 萬種 SKU + 20 美分均價&#34;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，&#34;我家工廠是賣 T 恤的，幫我按這個套路設計一個腳本&#34;，要求它把這套邏輯遷移到&#34;T 恤定製工廠&#34;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&#34;拉扯 T 恤展示彈性&#34;，把實力證明換成了&#34;印花機噴墨特寫 + 揉搓不掉色&#34;，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。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/c14a3b2b-9108-4282-918d-52599264b6ce.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="900" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/c14a3b2b-9108-4282-918d-52599264b6ce.png"/>
（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——&#34;音視頻 Vibe Coding&#34;。
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：&#34;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。&#34;
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——&#34;導航欄改成側邊欄，主按鈕放大一倍換圓角&#34;，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&#34;AI 生成代碼你自己去調&#34;的體驗，更像一個經驗豐富的開發者坐在你的旁邊。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bc15179d-73d9-46dd-acbe-1b894485b161.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="605" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bc15179d-73d9-46dd-acbe-1b894485b161.png"/>
（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；&#34;24 小時 AI 新聞編輯部&#34;——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。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a4f9b85b-8d23-4444-98dc-5449d54dc4de.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="589" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a4f9b85b-8d23-4444-98dc-5449d54dc4de.png"/>
<h2>底層改變：從&#34;看懂內容&#34;到&#34;拆成資產&#34;</h2>
前面三個場景能跑通，不僅因為&#34;能力變強了&#34;，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：
<ul>
<li>
Storyline（按時間戳融合音畫細節的故事線）；
</li>
<li>
Visible Text（帶起止時間和外觀特徵的畫面文字清單）；
</li>
<li>
Speakers and Transcript（含説話人身份、口音、語氣、情緒的逐字稿）。
</li>
</ul>
換句話説，它拿到的不再是&#34;一團視頻&#34;，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&#34;看完&#34;，而是跨段關聯和證據回溯——扔進 10 小時的會議錄音，問&#34;第 5 分鐘提到的人在第 30 分鐘説了什麼&#34;；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&#34;嗯&#34;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&#34;時效性與幻覺&#34;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&#34;聲音像温熱奶茶&#34;的客服角色 Tina，還是四川話的&#34;晴兒&#34;，角色感和產品感都很強。
這不只是&#34;聽得懂更多&#34;，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&#34;可拆&#34;——不是&#34;看懂了&#34;，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。
<h2>阿里真正想賣的，也不只是一個模型</h2>
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&#34;手腳&#34;，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。

雲計算 ETF - GlobalX

標普半導體 ETF - SPDR

半導體 3 倍做多 - Direxion

它讓音視頻不再是 “看完就過去” 的東西，而是可以檢索、複用、直接拿去幹活的 “數字資產”。

- 阿里千問發佈的 Qwen3.5-Omni 是最新全模態大模型。  
- 該模型能將複雜音視頻內容轉化為結構化數據。  
- 預期將促進企業工作流中的數字資產生成和應用。

Qwen3.5-Omni 深度體驗：這，才是「AI 生產力」該有的樣子！