聽歌、看視頻就能做網頁？阿里這個新模型有點離譜

大家好，我是冷逸。

剛剛，阿里發布了新一代全模態模型：Qwen3.5-Omni。

從bench成績單來看，它的整體性能已經超過了當前頂級模型Gemini-3.1-Pro，拿下215項SOTA。尤其是在音視頻理解、推理、識別、翻譯和對話這些核心能力上，表現相當突出。

更有意思的是，這次Qwen3.5-Omni還把API分成了兩種形態：離線版 + 實時版。

這個設計，看似簡單，其實非常關鍵。

對于動輒幾個小時的長視頻場景，如果全部用實時API處理，Token成本會非常夸張。而離線API的出現，本質上是把這類“重處理任務”的成本打了下來。

比如：

視頻/直播審核

自動分鏡拆解

視頻caption生成

視頻監控分析

以及基于視頻數據構建的行業應用

過去這些，要么貴，要么慢，要么效果不穩定。而現在，終于有一個相對完整的國產全模態模型，把這塊補上了。

我們也第一時間做了一些實測，直接上案例。

一手實測

場景1：看視頻做網頁

這個月初，來自深圳坪山的一家民營企業，發明了一種新的電池技術：無論多大電池，無論何種車型，10%-70%充滿電只用5分鐘，10%-97%充飽電只用9分鐘。

我把他們的電池技術介紹視頻，直接丟給Qwen3.5-Omni，讓它一邊理解視頻內容，一邊Vibe Coding一個技術展示網頁。

整體體驗是：流暢、順滑，而且“基本能用”。

它對畫面和臺詞的理解是到位的，生成的網頁結構也比較合理。不過有一個小問題——當人聲和背景音同時出現時，它還不太擅長做精確區分。

但好在一點：可以隨時打斷。

在交互過程中，我可以實時插入新的指令，它會立刻調整意圖理解方向，延遲大概在1-2 秒左右，這個響應速度在行業里算是比較領先的了。

來看下它最終寫的網頁。

還不錯，因為模型原生具備WebSearch能力的，它可以邊搜索、邊理解、邊生成，最終把外部信息融合進交付結果里。

場景2：聽音樂做網頁

既然能看視頻Vibe Coding，那我就試了一個更抽象的任務：聽音樂設計網頁。

我給它放了一段《黑神話：悟空》的配樂，讓它生成一個「西游·小西天」主題網站，要求風格完全貼合音樂氛圍。

結果有點驚喜。

它準確抓住了音樂里的史詩感、壓迫感和宗教氛圍，整體設計走的是“暗黑新中式”風格：深墨黑 + 暗金 + 朱砂紅。

而且不是簡單堆顏色，而是有意識地“壓金提黑”，做出了一種被侵蝕的莊嚴感，有點“邪佛”的意味。確實非常適合黃眉老怪那種“假作真時真亦假”的詭譎氛圍。

這種審美理解，其實已經不只是“識別”，而是帶一點“創作參與”了。

我又讓它做了一個更完整的Case：聽一首歌，生成一個MV網頁。

選的是謝霆鋒的《香水》。

結果是：完成度很高，而且氛圍感很準。

整體視覺是深黑背景 + 柔金點綴，帶一點高級、克制的情緒。交互上還做了蝴蝶粒子效果，呼應歌曲中“慢慢散去漸漸消失不見”的意境。

這種設計，不是單純“好看”，而是和歌曲的主題「記憶、逝去、氣味」是對齊的。

屬于那種，你真的會想停下來聽一會兒的作品。

場景3：看視頻寫小紅書

接下來是更“接地氣”的場景。

我把《蜘蛛俠4》的預告片丟給它，讓它做一份觀影前科普。

它會逐幀拆解視頻，再結合 WebSearch，把劇情信息補全。整體邏輯是通的，準確率也不錯。

（可上下滑動，查看全圖）

順手，我還讓它寫了一段小紅書文案，質量也在線——這塊本來就是Qwen3.5的強項。

場景4：視頻深度拆解

最后，我直接拉高難度，讓它一次性輸出三件東西：劇情概要、人物關系圖譜、分鏡說明。

結果是：能交付，而且還挺細。

這是劇情概述。

這是人物關系圖譜。

甚至，我還讓它直接整了個更直觀的網頁版。

這是分鏡說明，非常詳細。

（可上下滑動，查看全圖）

5）更多場景

根據官方信息，這個模型最長支持：

• 10小時音頻

• 1小時視頻

• 113種語言

• 256K上下文

同時支持113種語種識別、36種語種生成，方言也覆蓋。

并且原生支持WebSearch 和復雜Function Call，使得它可以勝任各種多模態任務。

比如視頻創作、分鏡生成、直播審核以及基于video生成數據等。

這些原本需要大量人工參與的環節，現在都有機會被重構。

整個體驗下來，我的感受是：

Qwen3.5-Omni，不只是“更強”，而是開始變得“更有用”。

它在音視頻理解上的能力，已經從“能看懂”，逐漸走向“能參與”。

無論是長視頻內容拆解、實時語音交互，還是跨語言的信息提取，它都能比較穩定地給出結構化、可用的結果。這種能力，一旦接入到真實業務流程里，價值會被迅速放大。

多語言這一點也很關鍵。過去很多多模態模型，本質上還是“英語優先”，其他語言多少有點“兼容”。但Qwen3.5-Omni的表現更像是“原生多語種”，這意味著它天然適合做跨地區、跨文化的產品，無論是內容理解、客服系統，還是全球化分發，門檻都在被拉低。

更值得一提的是，這次還提供了離線和實時兩套API，本質上是在給開發者更多“成本-性能”的選擇權：能離線處理的任務，就用更低成本批量跑；需要即時響應的場景，再調用實時能力。

這樣一來，很多原本算不過賬的場景，突然就能成立了。