阿里深夜放大招！开源首个全模态模型，Qwen-Image-Edit升级支持多图编辑

阿里云又在深夜放出了新东西，这次是Qwen系列的多重更新：Qwen-Image-Edit迎来月度大升级，Qwen3-Omni全模态模型、语音生成模型Qwen3-TTS也同步开源。

这次或许真的可以和谷歌Nano Banana说再见了。升级后的Qwen-Image-Edit-2509，针对性解决了之前图像编辑里的不少麻烦。之前处理多张图片拼接时，总容易出现边缘生硬、风格不统一的问题，现在它能轻松应对“人+产品”“人+场景”这类组合输入，1到3张图的融合效果尤其自然。

更实用的是一致性提升，编辑人像时不管怎么换姿势、调风格，面部特征都能保留得很好，做产品海报时也不用担心修图修到产品本身走样。

文字编辑也比以前灵活，不只是改内容，字体、颜色甚至材质纹理都能调整，加上原生支持的ControlNet功能，深度图、边缘图这些精准操控工具都能直接用，不用再额外找插件。 

而同样值得关注的，是首个原生端到端全模态模型Qwen3-Omni的发布。

之前用多模态模型，总免不了在文本、图像、音频这些不同类型的处理之间切换，效率不高还容易出偏差，而Qwen3-Omni终于实现了统一处理。

它能同时接收文本、图像、音频和视频输入，然后直接用文本或自然语音输出结果，36项音频和视频基准测试里有22项都达到了最新水平，开源范围内更是32项领先，自动语音识别这些核心能力已经能和Gemini 2.5 Pro看齐。 

同时，多语言支持上它也做了不少扩展，文本能处理119种语言，语音输入支持19种，输出也有10种，连粤语这样的方言都包含在内。

实时交互的延迟控制得也不错，这对于需要轮流对话的场景很重要，比如做客服机器人或者实时翻译，不会有明显的卡顿感。

其专门开源的Qwen3-Omni-30B-A3B-Captioner模型，还填补了开源社区在精细音频描述领域的空白。

同步发布的Qwen3-TTS也藏着实用的升级，17种音色每种都支持10种语言，不仅有常见的多国语言，还有闽南语、四川话这些方言选项。

Qwen3系列提供了从0.6B到235B不同规模的版本，最小的0.6B模型在普通手机上都能流畅运行，日常的推理任务完全能应对。旗舰版的235B模型也不用复杂的硬件配置，4张H20就能部署，显存占用只有性能相近模型的三分之一。

开发团队提到，他们花了很多时间解决那些不花哨但实用的问题，比如平衡不同领域的数据、稳定扩展强化学习。

这种务实的思路在模型里体现得很明显：Qwen3-Omni的“思考者-表达者”架构，能根据任务轻重切换思考模式，复杂问题慢慢推理，简单问题快速响应，帮用户在效果和成本之间找平衡；不同规模的模型覆盖从手机到企业服务器的全场景，不用为了性能被迫投入过高成本。 

从图像编辑的细节优化到全模态的统一处理，能看出来是在顺着用户的实际需求往下走。对于一直在找好用又实惠的AI工具的人来说，这样的更新或许比那些噱头满满的发布会更值得关注。