Alibaba представила обновленную версию Qwen3-Omni-Flash. Данная мультимодальная модель способна воспринимать текст, изображения, аудио и видео, а также осуществлять голосовые ответы в реальном времени. По ключевым аудио-бенчмаркам она достигает уровня Gemini 2.5 Pro и превосходит GPT-4o (который по-прежнему служит основным голосовым ассистентом в ChatGPT).
В области распознавания речи (ASR) Qwen3-Omni-Flash демонстрирует ошибку в 2,74% для английского языка и 2,19% для китайского – это лучше, чем у Gemini 2.5 Pro (2,94% и 2,71%) и GPT-4o (3,32% и 2,44%). В сложных задачах, таких как распознавание вокала в песнях, разница еще более значительна: 5,85% у Qwen по сравнению с 9,85% у Gemini и 11,87% у GPT-4o.
Количество поддерживаемых голосов в новом обновлении увеличилось с 17 до 49. Это не просто разнообразные тембры, а полноценные «персонажи» с уникальным характером, возрастом и стилем общения. Доступно 10 языков озвучивания: английский, китайский, французский, немецкий, русский, итальянский, испанский, португальский, японский и корейский. Для распознавания речи поддерживаются 19 языков, включая арабский, турецкий, вьетнамский и кантонский. Кроме того, Alibaba отмечает «существенное улучшение в способности следовать инструкциям» – ИИ стал лучше воспринимать промпты и системные настройки.
В плане стоимости Qwen3-Omni-Flash значительно дешевле: $0,43 (33 рубля) за миллион входных токенов и $2 (154 рубля) за миллион выходных. Для сравнения, GPT-4o стоит $2,50 (около 200 рублей) и $10 (800 рублей), а Gemini 2.5 Pro – от $1,25 (около 100 рублей) до $2,50 (200 рублей) за вход и $10-15 за выход (до 2 тыс. рублей). Разница достигает трех-пяти раз.
Ранее стало известно, что правительство Китая запретило использование иностранных ИИ-чипов во всех проектах дата-центров, получающих государственное финансирование. Новые объекты обязаны устанавливать исключительно отечественные процессоры.
Битва за бИИполярный мир: противостояние США и Китая на рынке ИИ
