अलीबाबा ने पेश किया Qwen3-Omni: ओपन-सोर्स मल्टीमॉडल एआई मॉडल

एक नेटिव मल्टीमॉडल चुनौतीकर्ता ओपन सोर्स हुआ

अलीबाबा ने Qwen3-Omni पेश किया है। यह नेटिव मल्टीमॉडल कृत्रिम बुद्धिमत्ता मॉडल टेक्स्ट, छवियों, ऑडियो और वीडियो को इनपुट के रूप में स्वीकार करता है और टेक्स्ट या संश्लेषित आवाज़ में जवाब देता है। यह मॉडल Apache 2.0 लाइसेंस के तहत ओपन सोर्स उपलब्ध है, जो पेटेंट अनुदान के साथ व्यावसायिक उपयोग, संशोधन और पुनर्वितरण की अनुमति देता है। व्यापक क्षमताओं और उदार लाइसेंसिंग का यह मेल Qwen3-Omni को अमेरिका के अग्रणी क्लोज्ड सिस्टमों का सीधा प्रतिस्पर्धी बनाता है, साथ ही स्टार्टअप, शोधकर्ताओं और बड़े उद्यमों के लिए इसे अपनाने की बाधाएं कम करता है।

Qwen3-Omni, ओम्नी मॉडल की ओर उद्योग के रुझान का हिस्सा है। ये ऐसे सिस्टम हैं जिन्हें रियल टाइम में विभिन्न माध्यमों को समझने और उन पर काम करने के लिए बनाया गया है। टेक्स्ट मॉडल के ऊपर वाणी या विज़न की क्षमता जोड़ने वाले सिस्टमों से अलग, अलीबाबा का कहना है कि Qwen3-Omni को शुरू से एक एंड-टू-एंड मल्टीमॉडल सिस्टम के रूप में बनाया गया है। यह सोचने की प्रक्रिया के दौरान सीधे ऑडियो और वीडियो संसाधित करता है और एक समर्पित स्पीच मॉड्यूल के ज़रिये आवाज़ तैयार करता है। इस तरह पूरी फ़ाइल के संसाधित होने का इंतज़ार किए बिना बातचीत की लय, लहजा और संदर्भ बनाए रख सकता है।

पहली रिलीज़ में 30 अरब पैरामीटर वाला परिवार शामिल है, जो अनुमान प्रक्रिया को तेज़ और विस्तार योग्य बनाए रखने के लिए Mixture of Experts डिज़ाइन का उपयोग करता है। अलीबाबा के मुताबिक, ऑडियो के लिए पहला पैकेट आने में कम से कम 234 मिलीसेकंड और वीडियो के लिए 547 मिलीसेकंड लगते हैं। एक साथ कई अनुरोध होने पर भी इसका RTF (रियल टाइम फैक्टर) एक से कम रहता है। यह सिस्टम टेक्स्ट के लिए 119 भाषाओं, स्पीच इनपुट के लिए 19 भाषाओं और स्पीच आउटपुट के लिए 10 भाषाओं का समर्थन करता है। इससे बहुभाषी असिस्टेंट, कॉल सेंटर और लाइव अनुवाद के नए अवसर खुलते हैं।

यह लॉन्च ऐसे समय हुआ है जब अलीबाबा अपने क्लाउड कारोबार को फुल-स्टैक एआई प्रदाता के रूप में स्थापित कर रही है और डेवलपर प्लेटफॉर्म पर चीनी ओपन मॉडल तेज़ी से लोकप्रिय हो रहे हैं। कुछ ही दिनों में Qwen3-Omni के विभिन्न संस्करण Hugging Face की ट्रेंडिंग रैंकिंग में शीर्ष पर पहुंच गए, जो वैश्विक समुदाय की मजबूत दिलचस्पी दर्शाता है। कंपनी तेज़ API संस्करण भी उपलब्ध करा रही है और सीधे डाउनलोड तथा स्थानीय डिप्लॉयमेंट के लिए मॉडल वेट्स होस्ट कर रही है।

Qwen3-Omni को अलग क्या बनाता है

Qwen3-Omni को एक साथ सोचने और बोलने के लिए बनाया गया है। Thinker घटक मल्टीमॉडल तर्क-विचार संभालता है। Talker घटक Thinker के आउटपुट को स्वाभाविक आवाज़ में बदलता है और सीधे ऑडियो तथा विज़ुअल विशेषताओं के आधार पर काम करता है। इस विभाजन से डेवलपर कोई भी शब्द बोले जाने से पहले Thinker चरण में रिट्रीवल, सुरक्षा जांच या व्यावसायिक लॉजिक जोड़ सकते हैं। विनियमित कार्यप्रवाहों में यह खास तौर पर उपयोगी है।

Thinker और Talker

Thinker एक बड़ा भाषा मॉडल है, जिसे टेक्स्ट, स्पीच, छवियों और वीडियो के लगभग 2 ट्रिलियन टोकन पर प्रशिक्षित किया गया है। यह Mixture of Experts रूटिंग का उपयोग करता है, जिससे हर टोकन के लिए पैरामीटर का केवल एक छोटा हिस्सा सक्रिय होता है। इससे कंप्यूट लागत घटती है और थ्रूपुट बढ़ता है। Talker एक हल्का स्पीच जनरेटर है। आवाज़ की पहचान और उतार-चढ़ाव बनाए रखने के लिए यह मल्टी-कोडबुक ऑटोरेग्रेसीव तरीका अपनाता है और ऑडियो तेज़ी से तैयार करने के लिए कॉम्पैक्ट Code2Wav नेटवर्क का इस्तेमाल करता है।

रियल टाइम स्ट्रीमिंग और कैशिंग

बातचीत में विलंब मायने रखता है। अलीबाबा के मुताबिक, स्ट्रीमिंग में ऑडियो के लिए पहला सुनाई देने वाला टोकन लगभग चौथाई सेकंड में और वीडियो संदर्भों में करीब आधे सेकंड में आता है। ऑडियो स्टैक में नया Audio Transformer एनकोडर शामिल है, जिसे 2 करोड़ घंटे के सुपरवाइज़्ड ऑडियो पर प्रशिक्षित किया गया है। इसमें मुख्य रूप से चीनी और अंग्रेज़ी ASR डेटा है, जबकि अन्य भाषाओं के लिए वैश्विक कवरेज भी है। यह एनकोडर लाइव कॉल के लिए ऑनलाइन कैशिंग और बैच जॉब के लिए ऑफलाइन एन्कोडिंग, दोनों का समर्थन करता है।

भाषाएं और लंबा संदर्भ

डेवलपर लंबे प्रॉम्प्ट और ट्रांसक्रिप्ट दे सकते हैं। Thinking Mode में 65,536 टोकन तक का संदर्भ और 32,768 टोकन तक की तर्क-श्रृंखला का समर्थन है। Non Thinking Mode में 49,152 टोकन तक का संदर्भ उपलब्ध है। मॉडल इनपुट के रूप में 16,384 टोकन तक स्वीकार कर सकता है और टेक्स्ट में आउटपुट के रूप में 16,384 टोकन तक बना सकता है। स्पीच सिस्टम फिलहाल आउटपुट के लिए 10 भाषाओं का समर्थन करता है, जो ग्राहक सहायता और फील्ड सर्विस में वैश्विक परीक्षणों के लिए व्यावहारिक दायरा है।

मॉडल, मोड और कीमतें

अलीबाबा 30B परिवार के तीन संस्करण जारी कर रही है, ताकि टीमें अलग-अलग ज़रूरतों के मुताबिक उन्हें चुन सकें। Instruct मॉडल ऑडियो, वीडियो और टेक्स्ट इनपुट के लिए पूरे Thinker और Talker स्टैक को जोड़ता है और टेक्स्ट तथा स्पीच, दोनों में जवाब देता है। Thinking मॉडल जटिल तर्क-विचार और लंबी विचार-श्रृंखला पर केंद्रित है। इसमें वही मल्टीमॉडल इनपुट लिए जा सकते हैं, लेकिन आउटपुट केवल टेक्स्ट होता है। यह शोध, विश्लेषण और अनुपालन-संबंधी उद्यम रिकॉर्ड के लिए उपयुक्त है। Captioner मॉडल ऑडियो कैप्शनिंग के लिए फाइन-ट्यून किया गया विशेषज्ञ मॉडल है। इसका लक्ष्य संगीत, वाणी और मिश्रित ऑडियो का सटीक विवरण देना और मतिभ्रम की दर कम रखना है।

Qwen3-Omni मॉडल हब पर डाउनलोड के लिए, कोड और वेट्स के साथ GitHub पर और API के रूप में Alibaba Cloud के ज़रिये उपलब्ध है। इंटरैक्टिव सेवाओं के लिए इसका तेज़ Flash विकल्प भी है। नए उपयोगकर्ताओं को 10 लाख टोकन का मुफ्त कोटा मिलता है, जो सक्रियण के 90 दिनों बाद तक मान्य है। भुगतान वाले उपयोग में कीमत प्रति हज़ार टोकन के हिसाब से है। टेक्स्ट इनपुट की कीमत 0.00025 डॉलर, छवि या वीडियो इनपुट की 0.00046 डॉलर और ऑडियो इनपुट की 0.00221 डॉलर है। आउटपुट में, यदि इनपुट केवल टेक्स्ट है तो टेक्स्ट की कीमत 0.00096 डॉलर है; इनपुट में छवियां या ऑडियो शामिल होने पर यह बढ़कर 0.00178 डॉलर हो जाती है। जब डेवलपर टेक्स्ट और ऑडियो, दोनों आउटपुट मांगते हैं, तो ऑडियो के लिए प्रति हज़ार टोकन 0.00876 डॉलर लगते हैं और टेक्स्ट आउटपुट मुफ्त होता है।

API के ज़रिये ऑडियो आउटपुट केवल Non Thinking Mode में उपलब्ध है। इससे स्ट्रीमिंग स्पीच के लिए शेड्यूलिंग सरल होती है और लंबे, संरचित तर्क-विचार के साथ टकराव नहीं होता। विस्तृत विचार-श्रृंखला की ज़रूरत वाली टीमें योजना बनाने या जानकारी खोजने के लिए Thinking मॉडल का इस्तेमाल कर सकती हैं और फिर अंतिम जवाब को ऑडियो रेंडरर या स्पीच के लिए Instruct मॉडल को सौंप सकती हैं।

बेंचमार्क और उन्हें कैसे समझें

अलीबाबा 36 सार्वजनिक परीक्षणों में मजबूत नतीजों की रिपोर्ट करती है। इनमें 22 में अत्याधुनिक स्कोर और 32 में ओपन मॉडल के बीच अग्रणी प्रदर्शन शामिल है। ये आंकड़े एक संतुलित सिस्टम का संकेत देते हैं, जो टेक्स्ट और विज़ुअल गुणवत्ता बनाए रखते हुए स्पीच में आगे बढ़ रहा है। खास नतीजों में, तर्क-विचार संबंधी परीक्षणों में Qwen3-Omni का स्कोर AIME25 पर 65.0 और ZebraLogic पर 76.0 है। WritingBench का स्कोर 82.6 है। ऑडियो ट्रांसक्रिप्शन में Wenetspeech पर मॉडल की शब्द-त्रुटि दर 4.69 और 5.89 दर्ज की गई, जबकि Librispeech other पर यह 2.48 रही, जो इस डेटासेट के लिहाज़ से बहुत कम है। संगीत टैगिंग और वर्गीकरण में GTZAN पर 93.0 और RUL-MuchoMusic पर 52.0 जैसे स्कोर शैली और ऑडियो विशेषताओं को पहचानने की इसकी अच्छी क्षमता दिखाते हैं।

विज़न और गणित के बेंचमार्क भी इसकी मजबूती दर्शाते हैं। HallusionBench पर स्कोर 59.7, MMMU_pro पर 57.0 और MathVision_full पर 56.3 है। वीडियो समझने के परीक्षण MLVU पर Qwen3-Omni का स्कोर 75.2 है। अलीबाबा द्वारा प्रकाशित आंकड़ों के आधार पर, इन खास परीक्षणों में यह GPT 4o और Gemini 2.0 Flash समेत कई क्लोज्ड मॉडल से आगे है।

बेंचमार्क उपयोगकर्ताओं के सामने आने वाले हर परिदृश्य को नहीं दर्शाते। वास्तविक बातचीत में शोर अधिक हो सकता है, लहजे अलग-अलग होते हैं, रोशनी बदलती रहती है और व्यावसायिक कार्यों में अक्सर कई टूल क्रम से इस्तेमाल होते हैं। शुरुआती स्वतंत्र समीक्षाओं के मुताबिक, छोटे मॉडल तैयार किए गए परीक्षणों के बाहर कभी-कभी मुश्किल में पड़ते हैं, भले ही लीडरबोर्ड पर उनका प्रदर्शन शानदार हो। डेवलपर को अपने डेटा के साथ प्रूफ-ऑफ-कॉन्सेप्ट परीक्षण करने चाहिए, खासकर डोमेन के विशिष्ट शब्दों, विशेष आरेखों या एक-दूसरे पर चढ़ती आवाज़ों जैसे जटिल मामलों में।

GPT 4o, Gemini और Gemma से इसकी तुलना

Qwen3-Omni ऐसे प्रतिस्पर्धी बाजार में आया है जिसमें OpenAI का GPT 4o और Google का Gemini 2.5 शामिल हैं। ये सिस्टम शक्तिशाली हैं और बड़े प्लेटफॉर्मों में पहले से एकीकृत हैं, लेकिन क्लोज्ड सोर्स हैं। उपयोगकर्ताओं को हर अनुरोध के लिए भुगतान करना पड़ता है और वे कानूनी तौर पर मूल मॉडल में बदलाव या उसका पुनर्वितरण नहीं कर सकते। Qwen3-Omni Apache 2.0 के तहत जारी किया गया है। यह उदार लाइसेंस व्यावसायिक उपयोग, कोड और वेट्स में बदलाव तथा पुनर्वितरण की अनुमति देता है। इसमें पेटेंट लाइसेंस भी शामिल है। इस मेल से उन कंपनियों के लिए कानूनी जोखिम घटता है जिन्हें एआई को सीधे उत्पादों या निजी इन्फ्रास्ट्रक्चर में शामिल करना है।

कार्यक्षमता की बात करें तो Qwen3-Omni टेक्स्ट, छवियां, ऑडियो और वीडियो स्वीकार करता है और टेक्स्ट या स्पीच में जवाब दे सकता है। GPT 4o टेक्स्ट, छवि और ऑडियो इनपुट स्वीकार करता है तथा टेक्स्ट और स्पीच में जवाब देता है, लेकिन इसके मुख्य कॉन्फ़िगरेशन में वीडियो क्लिप इनपुट के रूप में नहीं दिए जा सकते। Gemini 2.5 Pro वीडियो इनपुट का विश्लेषण कर सकता है और Google सेवाओं के ज़रिये टेक्स्ट तथा स्पीच में जवाब देता है। अलीबाबा Qwen3-Omni को ऐसे नेटिव मल्टीमॉडल सिस्टम के रूप में पेश कर रही है जिसमें स्पीच और विज़न, टेक्स्ट कोर के ऊपर लगाए गए एडैप्टर नहीं, बल्कि बुनियादी क्षमताएं हैं।

Google Apache 2.0 के तहत Gemma 3n को भी ओपन सोर्स उपलब्ध कराता है। Gemma 3n वीडियो, ऑडियो, टेक्स्ट और छवियां स्वीकार करता है, लेकिन केवल टेक्स्ट आउटपुट देता है। लाइव स्पीच आउटपुट वाला पूरी तरह ओपन स्टैक चाहने वाली टीमों के लिए Qwen3-Omni फिलहाल शायद एकमात्र ऐसा विकल्प है, जिसमें उदार लाइसेंस और पहले से स्पीच जनरेशन की सुविधा है।

उपयोगकर्ताओं के लिए Apache 2.0 क्यों अहम है

लाइसेंस तय करता है कि मॉडल कहां चलाया जा सकता है और उसे उत्पाद के रूप में कैसे पेश किया जा सकता है। Apache 2.0, डेरिवेटिव मॉडल जारी करने की बाध्यता के बिना फाइन-ट्यूनिंग और क्लोज्ड पुनर्वितरण की अनुमति देता है। इसमें पेटेंट अनुदान और योगदान लाइसेंस भी शामिल हैं। बौद्धिक संपदा अधिकारों की कड़ी जांच करने वाले विनियमित उद्योगों के लिए ये शर्तें एकीकरण का जोखिम घटाती हैं। कंपनियां Qwen3-Omni को अपने सर्वर, अपनी पसंद के क्लाउड या एज पर डिप्लॉय कर सकती हैं और अपने कस्टम मॉडल निजी रख सकती हैं।

उद्यमों और डेवलपर के लिए उपयोग

Qwen3-Omni कई तरह के कामों के लिए बनाया गया है। टेक्स्ट और स्पीच का बहुभाषी स्टैक 19 इनपुट भाषाओं और 10 आउटपुट भाषाओं में कॉल सेंटर ट्रांसक्रिप्शन और लाइव अनुवाद कर सकता है। ऑडियो कैप्शनर संपादकों, अभिलेखपालों और सहायक टूल के लिए संगीत, परिवेशी ध्वनियों और मिश्रित ऑडियो क्लिप का विवरण दे सकता है। विज़न पाइपलाइन OCR और लेआउट के लिए स्क्रीनशॉट तथा तस्वीरें पढ़ सकती है, जिससे बैक-ऑफिस कार्यप्रवाह और ग्राहक ऑनबोर्डिंग को स्वचालित करने में मदद मिलती है।

वीडियो को समझना इसकी प्रमुख क्षमताओं में से एक है। सहायता एजेंट फोन से रिकॉर्ड की गई छोटी क्लिप का विश्लेषण कर किसी खराबी की लाइट या गलत तरीके से जुड़ी केबल की पहचान कर सकता है। रखरखाव ऐप लाइव स्ट्रीम देखकर पुष्टि कर सकता है कि वाल्व खुला है या नहीं। Thinker और Talker समानांतर चलते हैं, इसलिए सिस्टम आने वाले फ्रेम संसाधित करते हुए बोलना शुरू कर सकता है। इससे हाथों के इस्तेमाल के बिना काम करने वाले परिदृश्यों में बातचीत की गति इंसान जैसी बनी रहती है।

सोचने और बोलने का स्पष्ट विभाजन डेवलपर को नियंत्रण देता है। रिट्रीवल सिस्टम कंपनी के दस्तावेज़ ला सकते हैं। नीति फ़िल्टर सामग्री की जांच कर सकते हैं। Talker के ऑडियो बनाने से पहले सुरक्षा जांच तर्क-श्रृंखला का निरीक्षण कर सकती है। यह तरीका ऐसे उपभोक्ता असिस्टेंट के लिए उपयुक्त है जिन्हें ब्रांड के अनुरूप रहना है, उद्यमी सारांश टूल के लिए जिन्हें डेटा लीक से बचना है और फील्ड टूल के लिए जिन्हें चरण-दर-चरण मार्गदर्शन देना है।

टूल और एजेंट का इस्तेमाल

जटिल कामों के लिए Qwen3-Omni को बाहरी टूल और सेवाओं से जोड़ा जा सकता है। इसमें सर्च करना, डेटाबेस से जानकारी लेना या वर्कफ़्लो इंजन शुरू करना शामिल है। अलीबाबा अपने क्लाउड प्लेटफॉर्म में एजेंट फ्रेमवर्क भी बना रही है, ताकि लो-कोड और हाई-कोड टीमें टूल जोड़ सकें, कार्य शेड्यूल कर सकें और प्रोडक्शन में डिप्लॉय कर सकें। Non Thinking Mode में 49,000 से अधिक टोकन की संदर्भ सीमा के साथ, मॉडल लंबे और कई चरणों वाले सत्र संभाल सकता है तथा पिछली कार्रवाइयों का हिसाब रख सकता है।

अपनाने की रफ्तार, बाजार और रणनीति

डेवलपर की दिलचस्पी तेज़ी से बढ़ी है। Qwen3 परिवार के कई संस्करण प्रमुख मॉडल हब की ट्रेंडिंग सूची में शीर्ष स्थानों पर हैं और Qwen3-Omni-30B-A3B अक्सर पहले स्थान पर रहता है। यह लोकप्रियता चीनी ओपन मॉडल की उस व्यापक लहर को दर्शाती है जो शोध और उद्योग, दोनों क्षेत्रों में ध्यान खींच रही है।

बाजार के संकेत भी इसी दिशा की ओर इशारा करते हैं। कंपनी की एआई और क्लाउड रणनीति पर बढ़ते भरोसे, विश्लेषकों के नए अपग्रेड और वैश्विक फंडों की फिर से बढ़ती दिलचस्पी के बीच अलीबाबा के शेयरों में तेजी आई। कंपनी चीन के बाहर के ग्राहकों को सहायता देने के लिए अपने डेटा सेंटर नेटवर्क का विस्तार कर रही है। ब्राज़ील, फ्रांस और नीदरलैंड में नई सुविधाएं स्थापित की जा रही हैं और अन्य क्षेत्रों में भी अतिरिक्त क्षमता की योजना है। अलीबाबा एआई इन्फ्रास्ट्रक्चर में बड़े पैमाने पर निवेश भी कर रही है। कंपनी ने अगले तीन वर्षों में अरबों डॉलर खर्च करने की प्रतिबद्धता जताई है और संकेत दिया है कि एआई पर कुल पूंजीगत खर्च बढ़ेगा।

हार्डवेयर साझेदारियां भी इस योजना का हिस्सा हैं। अलीबाबा ने Nvidia के साथ सॉफ्टवेयर सहयोग की घोषणा की है, जिसके तहत प्रशिक्षण, सिमुलेशन और वैलिडेशन जैसे क्षेत्रों के लिए एआई विकास टूल एकीकृत किए जाएंगे। कंपनी ने एक बड़े Qwen3 Max मॉडल की भी झलक दिखाई, जिसमें एक ट्रिलियन से अधिक पैरामीटर होंगे और जिसे उन्नत कोड जनरेशन तथा एजेंट व्यवहार के लिए बनाया जा रहा है। इससे पता चलता है कि Qwen3-Omni ऐसे व्यापक परिवार का हिस्सा है जिसमें इंटरैक्टिव असिस्टेंट से लेकर बड़े शोध मॉडल तक शामिल हैं।

अलीबाबा की ओर से बयान

अलीबाबा ग्रुप के मुख्य कार्यकारी एडी वू ने हांगझोउ में कंपनी के वार्षिक सम्मेलन में आगे की दिशा तय की। उन्होंने एआई और क्लाउड को विकास के अगले चरण के लिए कंपनी के दो प्रमुख इंजन बताया। उन्होंने अंतरराष्ट्रीय डेटा सेंटरों का विस्तार करने और प्रशिक्षण तथा डिप्लॉयमेंट से जुड़ी साझेदारियां मजबूत करने की योजनाएं भी रखीं।

वू ने अपनी बात में बताया कि कंपनी एआई में निवेश क्यों बढ़ा रही है।

ई-कॉमर्स के साथ एआई और क्लाउड भी अलीबाबा के विकास के इंजन हैं। वैश्विक मांग पूरी करने के लिए हम खर्च और क्षमता बढ़ाएंगे।

Qwen टीम के शोधकर्ता लिन जुनयांग ने बताया कि इस परियोजना में पहले के स्पीच और विज़न कार्यों का उपयोग कर नया सिस्टम तैयार किया गया।

हमने Qwen3 Omni बनाने के लिए बुनियादी ऑडियो और इमेज परियोजनाओं को जोड़ा।

जोखिम, सीमाएं और निगरानी के मुद्दे

बेंचमार्क में मजबूत प्रदर्शन के बावजूद ऐसे सवाल बने रहते हैं जिनका जवाब केवल प्रोडक्शन में इस्तेमाल से मिल सकता है। वास्तविक दुनिया के ऑडियो में तेज़ पृष्ठभूमि शोर, एक-दूसरे पर चढ़ती आवाज़ें या दुर्लभ लहजे हो सकते हैं। वीडियो में चमक, मोशन ब्लर या किसी वस्तु का छिप जाना आम है। यदि आपकी सेवा को विशेष आरेखों पर बहुत अधिक रिकॉल या किसी सीमित क्षेत्र में अनुपालन-स्तर का ट्रांसक्रिप्शन चाहिए, तो डेटा क्यूरेशन और डोमेन फाइन-ट्यूनिंग के लिए समय रखें।

मौजूदा रिलीज़ स्पीच आउटपुट के लिए 10 भाषाओं का समर्थन करती है। यह कई बाजारों के लिए पर्याप्त है, लेकिन कम प्रचलित भाषाओं की ज़रूरत वाली टीमों को टेक्स्ट आउटपुट या तीसरे पक्ष के स्पीच इंजन की आवश्यकता होगी। Thinker और Talker का विभाजन भी कुछ विकल्प सामने रखता है। कुछ संगठन लंबा तर्क-विचार केवल टेक्स्ट में रखना और सिर्फ अंतिम जवाब को आवाज़ में बदलना पसंद कर सकते हैं। दूसरे तेज़ बोले गए जवाबों के बदले छोटे आउटपुट स्वीकार करेंगे। इन विकल्पों को उपयोगकर्ता अनुभव के लक्ष्यों के आधार पर परखना चाहिए।

ओपन-सोर्स लाइसेंसिंग उत्पाद बनाने वालों के लिए एक ताकत है, लेकिन इसका मतलब यह भी है कि कोई भी मॉडल में बदलाव कर सकता है। दुरुपयोग रोकने के लिए कंपनियों को कंटेंट फ़िल्टर, दुरुपयोग पहचान और उपयोग निगरानी अपनानी चाहिए। दूसरी ओर, Apache 2.0 में पेटेंट अनुदान शामिल है, जो उपयोगकर्ताओं के बौद्धिक संपदा जोखिम को घटाता है। उद्यम अनुपालन टीमों के लिए यह अहम पहलू है।

लक्ष्य ऐसा मल्टीमॉडल असिस्टेंट है जो टेक्स्ट, विज़न और ध्वनि के आधार पर लगभग इंसानी गति से सोच सके। अगर Qwen3-Omni तैयार किए गए मूल्यांकन के बाहर भी अपनी क्षमता साबित करता रहा, तो स्थानीय नियंत्रण, अनुमानित लागत और व्यापक डेवलपर समुदाय चाहने वाली टीमों के लिए यह डिफ़ॉल्ट विकल्प बन सकता है।

मुख्य बातें

• Qwen3-Omni टेक्स्ट, छवि, ऑडियो और वीडियो इनपुट स्वीकार करता है और टेक्स्ट तथा स्पीच आउटपुट देता है।
• यह मॉडल व्यावसायिक उपयोग के लिए पेटेंट अनुदान सहित Apache 2.0 के तहत ओपन सोर्स है।
• Thinker तर्क-विचार संभालता है और Talker स्पीच तैयार करता है; गति के लिए दोनों Mixture of Experts का उपयोग करते हैं।
• पहला पैकेट आने में ऑडियो के लिए 234 मिलीसेकंड और वीडियो के लिए 547 मिलीसेकंड लगने की रिपोर्ट है।
• यह टेक्स्ट की 119, स्पीच इनपुट की 19 और स्पीच आउटपुट की 10 भाषाओं का समर्थन करता है।
• इसके तीन संस्करण उपलब्ध हैं: Instruct, Thinking और Captioner।
• API की कीमत प्रति हज़ार टेक्स्ट टोकन 0.00025 डॉलर से शुरू होती है और 10 लाख टोकन का मुफ्त परीक्षण उपलब्ध है।
• बेंचमार्क नतीजे स्पीच, वीडियो और तर्क-विचार के कई परीक्षणों में अग्रणी प्रदर्शन दिखाते हैं।
• Hugging Face की रैंकिंग और निवेशकों की दिलचस्पी तेज़ी से बढ़ते अपनाव का संकेत देती है।
• अलीबाबा डेटा सेंटरों का विस्तार कर रही है, Nvidia के साथ सहयोग बढ़ा रही है और Qwen3 परिवार को आगे विकसित कर रही है।