Alibaba merilis model kecerdasan buatan terbaru dari tim Qwen, yakni Qwen 3.5 Omni, pada Minggu (29/3/2026). Model ini diposisikan sebagai pembaruan besar karena membawa konsep AI “omnimodal” yang dapat memproses berbagai jenis input secara bersamaan, mulai dari teks, gambar, audio, hingga video.
Salah satu fitur yang paling menonjol adalah kemampuan kloning suara (voice cloning). Pengguna dapat mengunggah sampel suara, lalu sistem akan merespons menggunakan suara tersebut. Untuk saat ini, kemampuan kloning suara tersebut baru tersedia melalui akses API. Dengan fitur ini, Qwen 3.5 Omni disebut menjadi pesaing layanan AI suara lain, termasuk ElevenLabs.
Di sisi interaksi suara, Qwen 3.5 Omni juga dibekali fitur “semantic interruption” untuk percakapan real-time. Fitur ini memungkinkan AI memahami kapan pengguna benar-benar ingin menyela, sehingga model tidak berhenti berbicara hanya karena gangguan kecil seperti suara latar atau respons singkat semacam “iya”, “eh”, atau “hmm”. Pendekatan ini ditujukan agar alur percakapan terasa lebih natural.
Alibaba turut memperkenalkan teknologi ARIA (Adaptive Rate Interleave Alignment) yang berfungsi menyelaraskan teks dan suara secara dinamis. Teknologi ini diklaim membantu mengurangi kesalahan pengucapan, terutama pada angka atau kata-kata yang tidak umum, sekaligus membuat sinkronisasi teks dan suara menjadi lebih natural dan akurat.
Untuk pemrosesan multimodal, Qwen 3.5 Omni disebut berbeda dari banyak model AI lain yang masih mengandalkan teks sebagai perantara. Model ini mampu memproses teks, gambar, audio, dan video secara langsung (native) dalam satu sistem. Pendekatan tersebut dinilai membuat pemrosesan lebih cepat dan hasil lebih konsisten dibanding metode multimodal yang menggabungkan beberapa model terpisah.
Qwen 3.5 Omni dilatih menggunakan lebih dari 100 juta jam data audio-visual. Model ini kini tersedia melalui layanan cloud Alibaba dan dapat diakses untuk berbagai kebutuhan berbasis AI.
Dalam perbandingan kemampuan, Qwen 3.5 Omni diuji menggunakan video YouTube Short yang sama dengan ChatGPT 5.4 (mode thinking). Hasilnya, Qwen 3.5 Omni disebut mampu memproses video secara langsung dan memberi analisis lengkap dalam waktu sekitar satu menit, termasuk mengenali siapa yang berbicara, topik pembahasan, serta komentar berdasarkan konteks. Sementara itu, ChatGPT 5.4 dilaporkan perlu melalui beberapa tahapan terpisah—mengekstrak frame video, memprosesnya dengan model visi, mentranskripsi audio menggunakan Whisper, serta membaca subtitle dengan OCR—dengan total waktu sekitar sembilan menit dalam kondisi ideal.
Dari sisi bahasa, Qwen 3.5 Omni mendukung pengenalan suara hingga 113 bahasa dan dialek, meningkat dari generasi sebelumnya yang mendukung 19 bahasa. Dalam pengujian lain, model ini tercatat mampu menangani percakapan dalam bahasa seperti Spanyol, Portugis, dan Inggris, serta dapat berpindah bahasa di tengah percakapan tanpa kehilangan konteks. Pada benchmark stabilitas suara multibahasa, Qwen 3.5 Omni Plus disebut mengungguli ElevenLabs, GPT-Audio, dan Minimax pada 20 bahasa.
Qwen 3.5 Omni tersedia dalam tiga varian, yaitu Plus, Flash, dan Light, dengan context window hingga 256.000 token. Pada pengujian benchmark, varian Qwen 3.5 Omni Plus dilaporkan mampu mengungguli Gemini 3.1 Pro dalam sejumlah aspek, termasuk pemahaman audio, penalaran, dan terjemahan, serta setara dalam pemahaman audio-visual.
Alibaba juga menyematkan fitur Audio-Visual Vibe Coding. Melalui fitur ini, AI dapat menonton video atau rekaman layar dari proses coding, kemudian menghasilkan kode yang berfungsi tanpa perlu instruksi teks. Kemampuan ini disebut sebagai gambaran bagaimana asisten AI di masa depan dapat bekerja langsung di dalam alur kerja pengguna, bukan hanya sebagai alat pendamping.
Saat ini, Qwen 3.5 Omni sudah tersedia melalui API Alibaba Cloud. Model tersebut juga dapat dicoba melalui layanan Qwen Chat maupun demo online di platform Hugging Face.
