Ep.592 Qwen3-Omni登場──“聞く・見る・話す”を一体化したオムニモデルの本命（2025年9月25日配信）

名古屋ではたらく社長のITニュースポッドキャスト · Sep 24, 2025 · 4m

Qwenが“オムニ”を名乗る新基盤「Qwen3-Omni」を公開しました。最大の特徴は、聞く（ASR・音声理解）・見る（画像/動画理解）・話す（リアルタイムTTS）までを一枚のモデルで直結し、会話のターン取りまで自然にこなす点です。GitHubの技術ページによれば、Omniは119のテキスト言語、19の音声入力言語、10の音声出力言語をサポート。音声/音声–映像のベンチ36種中32でオープンソースSOTA、22でSOTAを獲得し、ASRやボイス会話はGemini 2.5 Proと同等級の性能に達したと整理しています。

設計面の肝はMoEベースの“Thinker–Talker”。重い推論はThinkerに寄せ、返答音声の生成はTalker側の多コードブック表現で極小レイテンシ化。これに、テキスト先行の事前学習（AuT）と混合モーダルトレーニングを重ねることで、音声や映像に強くなっても、テキストと画像の単独性能が落ちない“底の強さ”を保ったといいます。加えて、30B級のOmniには“Captioner”派生もあり、音源の微細描写に長けた音声キャプショニングをオープン提供してコミュニティの穴を埋める狙いも見えます。…