Qwen3-Omni-Flash-2025-12-01: Yeni Nesil Yerel Çok Modlu Büyük Model

• Qwen3-Omni-Flash-2025-12-01 metin, görsel, ses ve videoyu aynı anda işleyip gerçek zamanlı akışla metin ve ses çıktısı üreten bir sonraki nesil çok modlu büyük model
• Ses ve görsel komut anlama ile diyalog stabilitesi büyük ölçüde artırılarak doğal ve tutarlı ses-görüntü etkileşimi uygulanıyor
• Sistem istemini tamamen kontrol etme özelliğiyle kişilik stili, konuşma üslubu, çıktı uzunluğu gibi ayrıntılar hassas biçimde ayarlanabiliyor
• 119 dilde metin, 19 dilde ses tanıma, 10 dilde ses sentezi desteklenerek çok dilli tutarlılık sorunları gideriliyor
• Mantıksal çıkarım, kod üretimi, görsel ve ses anlama gibi tüm alanlarda performans geliştirilerek doğal ve hassas yapay zeka etkileşimi deneyimi sağlanıyor

---

Qwen3-Omni-Flash-2025-12-01 Genel Bakış

• Qwen3-Omni metin, görsel, ses ve video gibi çeşitli girdileri işleyen ve gerçek zamanlı olarak metin ve doğal ses çıktısı üreten yerel çok modlu büyük model
• Bu sürüm Qwen3-Omni-Flash-2025-12-01, önceki Qwen3-Omni üzerine inşa edilmiş tam kapsamlı bir yükseltme
• Model performansı ve verimliliği genel olarak geliştirilerek daha hızlı ve doğru çok modlu işleme yeteneği sunuyor

Başlıca özellik iyileştirmeleri

• Sesli-görsel etkileşim güçlendirmesi

  • Ses ve görsel komutları anlama ve uygulama yeteneği büyük ölçüde artırılarak günlük konuşma senaryolarındaki zekâ düşüşü problemi çözüldü
  • Çok turlu ses-görsel diyaloğun kararlılığı ve tutarlılığı yükselerek doğal etkileşim mümkün hale geliyor

• Sistem istemi kontrolünün güçlendirilmesi

  • Sistem istemini tamamen kullanıcı tanımlı hale getirerek model davranışını hassas biçimde kontrol etmek mümkün
  • Kişilik stili (ör. tatlı, cool, animasyon tarzı), konuşma üslubu, çıktı uzunluğu gibi ayrıntıları ince ayar yapma

• Çok dilli destek güvenilirliğinin artırılması

  • Metin tabanlı etkileşimde 119 dil, ses tanımada 19 dil, ses sentezinde 10 dil destekleniyor
  • Önceki sürümdeki dil istikrarsızlık sorunları giderilerek doğru ve tutarlı çok dilli performans sağlandı

• Doğal ses sentezi

  • Konuşma hızı, duraklama ve tonlama metin bağlamına göre otomatik olarak ayarlanarak insan benzeri ses kalitesi elde ediliyor
  • Yavaş veya mekanik sesi kaldırarak ifade gücü yüksek doğal ses çıktısı sunuluyor

Performans iyileştirme ölçütleri

• Metin anlama ve üretim yeteneğinin güçlendirilmesi

  • Mantıksal çıkarım ZebraLogic +5.6, kod üretimi LiveCodeBench-v6 +9.3, MultiPL-E +2.7, yazma kalitesi WritingBench +2.2 iyileşmesi
  • Karmaşık çok adımlı talimatları yerine getirmede güvenilirlik artışı

• Ses anlama doğruluğunun artırılması

  • Fleurs-zh'de kelime hata oranında azalma, VoiceBench +3.2 iyileşmesi
  • Gerçek konuşma ortamlarında ses anlama gücü güçlendirildi

• Ses sentezi kalitesi geliştirmesi

  • Çince ve çok dilli ortamlarda doğal tonlama ve ritim uygulanıyor
  • İnsan sesine benzer konuşma kalitesi sağlandı

• Görsel anlama gücünün artırılması

  • Görsel akıl yürütme görevlerinde MMMU +4.7, MMMU-Pro +4.8, MathVision_full +2.2 iyileşmesi
  • Diyagram, matematiksel şekil gibi karmaşık görsel içeriklerin yorumlanması güçlendirildi

• Video anlama geliştirmesi

  • MLVU +1.6 artışıyla video anlama yeteneği güçlendi
  • Ses-görsel senkronizasyon iyileştirilerek gerçek zamanlı video sohbeti temel alan gelişmişlik sağlandı

Gelecek planlar

• Kullanıcı geri bildirimi ve Qwen3-Omni tabanlı yenilikçi uygulama örnekleri toplanacak
• İleride çok konuşmacılı ses tanıma (ASR), video OCR, ses-görsel özerk öğrenme, ajan tabanlı iş akışı ve fonksiyon çağrısı desteği gibi genişletmeler planlanıyor

Alıntı bilgisi

• Araştırmada kullanılacaksa aşağıdaki alıntının kullanılması önerilir
  • @misc{qwen3_omni_20251201, author={{Qwen Team, Alibaba}}, title={{Qwen3-Omni-Flash-2025-12-01：Hear You. See You. Follow Smarter!}}, year={2025}, url={https://qwen.ai/blog?id=qwen3-omni-20251201}}