你一定有過這種經(jīng)歷：開完一場兩小時的會議，錄像文件安安靜靜躺在網(wǎng)盤里，但沒人愿意回看——因為回看的成本幾乎等于再開一次會。

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

還有英文播客、發(fā)布會直播、夾雜方言且需要復(fù)盤的客服錄音——這些音視頻內(nèi)容每天都在大量產(chǎn)生，但對絕大多數(shù)人來說，它們被"看過"或"聽過"之后，就再沒有然后了。

我們的日常中，大量非常非常有價值的音視頻內(nèi)容無法被拆開、被檢索、更沒法總結(jié)經(jīng)驗?zāi)萌?fù)用。

而阿里千問剛剛發(fā)布的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(tài)大模型，采用混合注意力MoE架構(gòu)，在海量文本、視覺及超過1億小時的音頻數(shù)據(jù)上做了原生多模態(tài)預(yù)訓(xùn)練，在215項第三方性能測試中取得SOTA，多項核心指標(biāo)超越Gemini-3.1 Pro。

比跑分更值得說的，是我們在實測中實際體驗到的東西——經(jīng)過幾輪極其刁鉆的極限測試后，這個全模態(tài)模型徹底震撼到我了：

• 我們讓它拆解了一支《沙丘》預(yù)告片——它不僅按時間戳做了結(jié)構(gòu)化分析，還推理出了角色間的隱含關(guān)系，生成了帶節(jié)奏設(shè)計和調(diào)色建議的復(fù)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(zhuǎn)化歸因，輸出了可以直接遷移到其他行業(yè)的5步腳本模板；

• 我們對著一張畫得很丑的手繪草圖口述需求——它直接生成了能跑的React頁面，然后我們繼續(xù)口述修改，它一輪輪迭代下去，上下文始終沒丟。

這意味著，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(jié)構(gòu)化紀(jì)要和待辦清單；把一條競品的爆款視頻丟進(jìn)去，直接拿到可遷移的腳本模板；用它給客服錄音做質(zhì)檢，輸出情緒軌跡和話術(shù)評分。

它的意義，絕不僅僅是多模態(tài)能力的又一次參數(shù)升級。它讓我親眼看到，原本只能"看一遍就過去"的音視頻內(nèi)容，是如何被生生拆解成可以直接拿去干活的“數(shù)據(jù)資產(chǎn)”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”，那么你就能獲得一個真正能聽懂語音指令、看懂視頻內(nèi)容、理解音頻信息，還會操作電腦的數(shù)字員工。

這，或許才是那場我們期待已久的、屬于全模態(tài)大模型的真正生產(chǎn)力革命。

接下來，我們先來看看實測細(xì)節(jié)，再聊聊這個模型正在改變什么，以及阿里拿它在下一盤什么棋。

拆電影、復(fù)盤帶貨、口述寫代碼：全模態(tài)能力全面進(jìn)化

（1）沙丘：不止是"看懂故事"

我們選了沒有字幕版的《沙丘》預(yù)告片作為第一個測試素材，來對Qwen3.5-Omni的多模態(tài)能力進(jìn)行“極限測試”。

預(yù)告片天生就是視頻理解領(lǐng)域最不友好的素材：密集的鏡頭切換、多線敘事、大量隱喻和視覺暗示，視聽密度極高。

而對于Qwen3.5-Omni來說，第一輪的結(jié)構(gòu)化信息提取幾乎沒有難度：劇情時間線、關(guān)鍵鏡頭、畫面文字、說話人與臺詞、角色陣營關(guān)系、情緒變化曲線，全部按時間戳精準(zhǔn)剝離。

第二輪，我們指定了第24秒出現(xiàn)的臺詞，要求它回答對應(yīng)畫面、說話者和情緒。它準(zhǔn)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(xiàn)場對話，對應(yīng)畫面為查妮沙漠逆光側(cè)臉特寫，情緒判斷——溫柔、敬重、期許——與畫面完全吻合。

真正的考驗，在于第三輪的"深層推理追問"——

我們要求它分析角色間的"隱含關(guān)系"并給出鏡頭和臺詞證據(jù)、識別預(yù)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(fù)刻分鏡腳本。

它準(zhǔn)確識別出保羅與費德-羅薩之間的"鏡像宿敵"關(guān)系、保羅與杰西卡之間的"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(gòu)圖證據(jù)和臺詞對照。

它給出的復(fù)刻分鏡腳本也不是模糊的敘事概括，而是帶有"慢板抒情→快速剪輯→史詩爆發(fā)"的三段式節(jié)奏設(shè)計，甚至包含調(diào)色方向、音效提示和字幕處理建議。

說實話，到這一步，它已經(jīng)不是在"看懂視頻"，而是有點導(dǎo)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(guān)系推理層面。

（2）帶貨：從一條爆款Tiktok帶貨視頻里，拆出轉(zhuǎn)化的底層邏輯

對更多人來說，更現(xiàn)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(fù)刻。

結(jié)果，模型不僅按Hook、賣點排序、畫面證明點、字幕策略、情緒節(jié)奏、CTA時間點、目標(biāo)人群七個維度完成了結(jié)構(gòu)化拆解，它的歸因分析也極具洞察力：三級物理證據(jù)鏈構(gòu)建"所見即所得的信任"、"2萬種SKU + 20美分均價"制造數(shù)字錨點、保姆式全案承諾實現(xiàn)風(fēng)險逆轉(zhuǎn)。

換句話說，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(xué)名詞，我們告訴它，"我家工廠是賣T恤的，幫我按這個套路設(shè)計一個腳本"，要求它把這套邏輯遷移到"T恤定制工廠"場景。

結(jié)果，它不僅把剛剛分析出的5步轉(zhuǎn)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(qū)運營引導(dǎo)私信的實操建議。

也就是說，大模型不再只是內(nèi)容理解工具，它已經(jīng)可以充當(dāng)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、邊說、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，手持草圖對著鏡頭口述："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。"

它識別了手繪布局并生成了React代碼。接著我們繼續(xù)口述修改——"導(dǎo)航欄改成側(cè)邊欄，主按鈕放大一倍換圓角"，同時上傳替換圖片。之后又測了深色主題、進(jìn)度條動畫、按壓反饋等迭代，它始終能延續(xù)上下文，不丟失之前的修改。

幾輪修改后，網(wǎng)頁成功上線。

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

（4）連起來看

從《沙丘》的復(fù)雜敘事，到帶貨的商業(yè)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(fā)現(xiàn)：

Qwen3.5-Omni成功證明了：它能把復(fù)雜的、混亂的、連續(xù)的輸入，變成可以直接拿去用的結(jié)果。

另外補充兩個我們也測了但沒展開寫的用例：游戲視頻生成解說：網(wǎng)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(fā)布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(nèi)容"到"拆成資產(chǎn)"

前面三個場景能跑通，不僅因為"能力變強了"，而是底層產(chǎn)品設(shè)計發(fā)生了質(zhì)變：它把連續(xù)、混雜、難以檢索的音視頻流，強制拆解為高度結(jié)構(gòu)化的中間層。

（1）拆得多細(xì)：不是摘要，是字段級的結(jié)構(gòu)化資產(chǎn)

翻開官方API文檔你會發(fā)現(xiàn)，Qwen3.5-Omni對音視頻的推薦輸出格式不是一句籠統(tǒng)的摘要，而是三層硬結(jié)構(gòu)：

• Storyline（按時間戳融合音畫細(xì)節(jié)的故事線）；

• Visible Text（帶起止時間和外觀特征的畫面文字清單）；

• Speakers and Transcript（含說話人身份、口音、語氣、情緒的逐字稿）。

換句話說，它拿到的不再是"一團視頻"，而是一份可以被代碼直接調(diào)用、檢索和執(zhí)行的結(jié)構(gòu)化資產(chǎn)。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?qū)嵉哪Ｐ突A(chǔ)能力——混合注意力MoE架構(gòu)，超過1億小時音頻數(shù)據(jù)的原生多模態(tài)預(yù)訓(xùn)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(nèi)容真正的難點從來不是"看完"，而是跨段關(guān)聯(lián)和證據(jù)回溯——扔進(jìn)10小時的會議錄音，問"第5分鐘提到的人在第30分鐘說了什么"；輸入帶貨直播錄屏，讓它揪出夸大宣傳的時間點并附上畫面和臺詞證據(jù)；用它給客服錄音做質(zhì)檢，輸出情緒軌跡和話術(shù)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(tài)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說個"嗯"就中斷發(fā)言，過濾掉了無意義的背景音干擾。

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

語音表達(dá)層的能力提升同樣很有價值，現(xiàn)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(nèi)置47個多語言說話人和8個方言說話人。

在我們的實測中，無論是自稱"聲音像溫?zé)崮滩?的客服角色Tina，還是四川話的"晴兒"，角色感和產(chǎn)品感都很強。

這不只是"聽得懂更多"，而是為海外客服、審核質(zhì)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(jié)，Qwen3.5-Omni，讓音視頻變得"可拆"——不是"看懂了"，而是拆成可以檢索、可以復(fù)用、可以直接拿去干活的現(xiàn)成素材。

阿里真正想賣的，也不只是一個模型

聊完產(chǎn)品和技術(shù)，值得把視線從模型本身移開，看看阿里最近在組織和產(chǎn)品上的一系列動作——一條清晰的商業(yè)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(yè)群，明確提出以“創(chuàng)造Token、輸送Token、應(yīng)用Token”為核心。其中，首次亮相的“悟空事業(yè)部”定位極為明確：“B端AI原生工作平臺，將模型能力深度融入企業(yè)工作流”。

而在釘釘最新發(fā)布的“悟空”產(chǎn)品中，核心邏輯已經(jīng)從“溝通即生成”進(jìn)化為了“溝通即執(zhí)行”（CLI化，AI直接調(diào)底層接口）。AI 不再只是陪你聊天，而是被要求自己去網(wǎng)上看競品視頻、分析小紅書爆款、跨系統(tǒng)拉取數(shù)據(jù)、甚至生成數(shù)據(jù)動畫。

注意這里的關(guān)鍵詞：看視頻、聽音頻、跨平臺執(zhí)行。當(dāng)AI Agent開始長出"手腳"，自主去處理大量音視頻內(nèi)容時，它對全模態(tài)理解能力的需求和Token的消耗量，都將遠(yuǎn)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(jié)構(gòu)化音視頻能力，更像是在為以悟空為代表的阿里B端企業(yè)級Agent大規(guī)模落地，儲備高性價比、穩(wěn)定的全模態(tài)基礎(chǔ)設(shè)施。

要知道，把長達(dá)數(shù)小時的音視頻拆解成精細(xì)的結(jié)構(gòu)化數(shù)據(jù)，過去意味著企業(yè)需要拼裝一整條鏈路——ASR轉(zhuǎn)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(xiàn)在，一個端到端的全模態(tài)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復(fù)雜的電影預(yù)告片而是從這一刻起，它開始能把音視頻內(nèi)容，變成企業(yè)工作流里可以切實處理、復(fù)用的“數(shù)字資產(chǎn)”——

全模態(tài)大模型驅(qū)動的生產(chǎn)力革命，正在來臨。