Qwen3-Omni-Flash-2025-12-01 リリースノート

Qwen3-Omni-Flash-2025-12-01 は、Qwen3-Omni のネイティブマルチモーダル大規模モデルの包括的にアップグレードされたバージョンです。テキスト、画像、音声、動画の入力をシームレスに処理し、リアルタイムのストリーミング応答を通じて同時にテキストと自然な音声出力を生成します。

強化された音声・映像インタラクションと制御

Qwen3-Omni-Flash-2025-12-01 は、マルチターンの音声・映像会話の安定性と一貫性を向上させ、カジュアルな会話シーンで頻繁に発生する「知能低下」を解消します。モデルは、音声・映像指示の理解と実行を改善し、より自然なインタラクション体験を提供します。

システムプロンプト制御が強化され、モデルの挙動を完全にカスタマイズできるようになりました。ユーザーは、アニメ風、クール、甘いなどのペルソナスタイル、口語的なトーンの好み、出力長の制約を細かく調整できるようになりました。

多言語対応と音声合成

モデルは、以前のバージョンで見られた言語追従の不安定さに対処し、より信頼性の高い多言語対応を実現します。以下をサポートしています：

  • テキストベースのインタラクション: 119言語
  • 音声認識: 19言語
  • 音声合成: 10言語

音声合成は、ロボット的または遅い発話を排除するようにアップグレードされました。プロソディの適応制御を強化することで、モデルはテキストの文脈に応じてイントネーション、ポーズ、話す速度をインテリジェントに調整し、人間の話し方に近づけます。

パフォーマンスベンチマーク

Qwen3-Omni-Flash-2025-12-01 は、すべてのモダリティにおいて Qwen3-Omni-Flash に対し大幅な改善を示しています：

テキスト理解と生成

  • 論理推論: ZebraLogic で +5.6
  • コード生成: LiveCodeBench‑v6 で +9.3、MultiPL‑E で +2.7
  • 執筆品質: WritingBench で +2.2

音声理解と合成

  • 音声理解: VoiceBench が +3.2 改善され、Fleurs‑zh の語彙誤認率が大幅に低下しました。
  • 音声合成: 品質が向上し、人間らしい音声生成が実現され、特に中国語や多言語環境でペースとプロソディが改善されています。

画像と動画の理解

  • 画像理解: 視覚的推論タスクで向上し、MMMU で +4.7、MMMU‑Pro で +4.8、MathVision_full で +2.2 の改善があります。
  • 動画理解: 動画の意味理解が向上し（MLVU で +1.6）、リアルタイム会話における音声・映像の同期がより緊密になりました。

今後の開発ロードマップ

Qwen チームは、以下を含む複数の方向でモデルを進化させる計画です：

  • マルチスピーカー ASR（自動音声認識）
  • 動画 OCR
  • 音声・映像のプロアクティブ学習
  • エージェントベースのワークフローと関数呼び出しのサポート強化

Sources