Alibaba, Metin, Görüntü ve Canlı Konuşmayı Tek Bir Yapay Zekâ Modelinde Birleştiren Qwen3-Omni’yi Kullanıma Açtı

12 dakikalık okuma
Alibaba Introduces Qwen3-Max: A Powerful New AI Language Model ...

İzleyebilen, dinleyebilen ve sesli yanıt verebilen bir model

Alibaba’nın Qwen3-Omni modeli; metin, görüntü, ses ve videoyu, yazılı veya sentezlenmiş konuşmayla yanıt verebilen tek bir yapay zekâ sisteminde bir araya getiriyor. 6 Ekim 2025 itibarıyla Apache 2.0 lisansı altında yayımlanan model, geliştiricilere modeli ticari amaçlarla kullanma, değiştirme ve yeniden dağıtma izni veriyor; lisans patent hakkı da içeriyor.

İçindekiler
  1. İzleyebilen, dinleyebilen ve sesli yanıt verebilen bir model
  2. Thinker ve Talker birlikte nasıl çalışıyor?
  3. Hız ve dil verileri ne anlama geliyor?
  4. Üç sürüm, farklı sınırlar
  5. Bulut erişimi için geliştiricilerin ödeyeceği ücret
  6. Alibaba’nın kıyaslama sonuçları
  7. Kapalı ve açık rakiplerle karşılaştırması
  8. Lisansın şirketler için önemi
  9. Model hangi alanlarda kullanılabilir?
  10. Geliştiricilerin ilgisi ve Alibaba’nın daha geniş stratejisi
  11. Alibaba yöneticileri ne söyledi?
  12. Günlük kullanımda hâlâ nelerin denenmesi gerekiyor?
  13. Öne Çıkanlar

İlk sürüm, bir modelin eğitim sırasında öğrendiği iç değerler olan 30 milyar parametreli bir aileye odaklanıyor. Alibaba, ilk paket gecikmesinin ses için 234 milisaniyeye, video içinse 547 milisaniyeye kadar düştüğünü bildiriyor. Bu değerler, sistemin çıktı üretmeye ne kadar hızlı başladığını gösteriyor; yapay zekâ asistanıyla doğal bir sohbet yürütmek isteyenler için bu pratik açıdan önemli bir konu.

Qwen3-Omni metin için 119, konuşma girdisi için 19, sesli çıktı için 10 dili destekliyor. Geniş girdi desteği, konuşma üretimi ve esnek lisanslama özelliklerini bir araya getirmesi, modeli ABD merkezli önde gelen kapalı sistemlerle rekabete sokarken girişimlere, araştırmacılara ve büyük şirketlere dağıtım üzerinde daha fazla kontrol sağlıyor.

Alibaba, modeli yerel olarak çok modlu diye tanımlıyor; yani farklı bilgi türleri tasarımının temelinde yer alıyor. Akıl yürütürken ses ve videoyu doğrudan işliyor ve konuşma üretmek için özel bir modül kullanıyor. Amaç, dosyaların tamamının ulaşmasını beklemeden sohbetin zamanlamasını, tonunu ve bağlamını korumak.

Bu sürüm, Alibaba’nın bulut işini bilişim altyapısından modellere ve geliştirme hizmetlerine kadar eksiksiz bir yapay zekâ yığınının sağlayıcısı hâline getirme çabasının da parçası. Modeli çalıştırmak için gereken öğrenilmiş değerlerin indirilebilir olması yerel dağıtımı mümkün kılarken daha hızlı bir API sürümü de Alibaba’nın bulut hizmeti üzerinden erişim sağlıyor.

Reklam

Thinker ve Talker birlikte nasıl çalışıyor?

Qwen3-Omni iş yükünü iki bileşen arasında paylaştırıyor. Thinker, metin, konuşma, görüntü ve video üzerinde akıl yürütüyor. Talker ise Thinker’ın çıktısını konuşmaya dönüştürürken ses ve görüntü özelliklerinden de doğrudan yararlanıyor. Bu tasarım, düşünme ve konuşmanın paralel yürütülmesine olanak tanıyor.

Thinker, yaklaşık 2 trilyon token kullanılarak bu bilgi türleri üzerinde eğitildi. Token’lar, bir yapay zekâ sisteminin işlediği birimlerdir; sözcük parçaları veya diğer girdilerin temsilleri bu birimlere örnektir. Uzman Karışımı tasarımı, her token için parametrelerin yalnızca küçük bir bölümünü etkinleştirerek bilişim gereksinimini azaltıyor ve sistemin işleyebileceği iş miktarını artırıyor.

Talker, hafif bir konuşma üreticisidir. Ses kalitesini ve konuşma ritmini korumak için konuşmayı birkaç kod kümesiyle temsil edip bunları sırayla üreten çok kod kitapçıklı otoregresif bir yöntem kullanıyor. Kompakt bir Code2Wav ağı bu kodları hızla sese dönüştürüyor. Thinker ve Talker, hız sağlamak için Uzman Karışımı tasarımlarından yararlanıyor.

Geliştiriciler, sözcükler seslendirilmeden önce Thinker aşamasına belge getirme, güvenlik denetimleri veya iş kuralları ekleyebilir. Böylece kuruluşlar yanıtları şirket bilgileriyle ya da politikalarıyla karşılaştırabilecekleri bir aşamaya sahip olur; bu, düzenlemelere tabi işlerde kullanışlıdır.

Hız ve dil verileri ne anlama geliyor?

Alibaba’nın bildirdiği 234 milisaniyelik ses gecikmesi yaklaşık çeyrek saniyeye, 547 milisaniyelik video değeri ise yarım saniyeden biraz fazlasına karşılık geliyor. Şirket, eşzamanlı istekler işlenirken bile gerçek zaman katsayısının birin altında kaldığını bildiriyor. Birin altındaki katsayı, işlemenin ele alınan sesin süresinden daha kısa sürdüğü anlamına geliyor.

Ses sistemi, çoğunluğu Çince ve İngilizce otomatik konuşma tanıma verilerinden oluşan ve diğer dilleri de kapsayan, denetimli 20 milyon saatlik ses verisiyle eğitilmiş yeni bir Audio Transformer kodlayıcı içeriyor. Kodlayıcı, gelen sesi modelin işleyebileceği temsillere dönüştürüyor.

Çevrimiçi önbellekleme, kodlayıcının canlı görüşmeler sırasında yararlı bilgileri korumasını sağlarken çevrimdışı kodlama kayıtların toplu işlenmesini destekliyor. Bu seçenekler farklı ihtiyaçlara hitap ediyor: Bir asistanın konuşma sırasında yanıt vermesi gerekirken arşivdeki dosyalar, canlı dinleyicinin beklemesine gerek olmadan işlenebilir.

Dil desteği, konuşmaya kıyasla okuma ve yazmada daha geniş. Model; metin için 119, konuşma girdisi için 19, konuşma çıktısı için 10 dili destekleyerek çok dilli asistanlar, çağrı merkezleri ve canlı çeviri hizmetleri için başlangıç noktası sunuyor. Başka dillerde sesli yanıt vermesi gereken hizmetler metin çıktısını veya ek bir konuşma motorunu kullanmak zorunda.

Reklam

Üç sürüm, farklı sınırlar

Alibaba, 30 milyar parametreli ailenin üç çeşidini yayımlıyor. Instruct, Thinker ve Talker sisteminin tamamını birleştiriyor; ses, video ve metin girdilerini kabul edip metin ve konuşma çıktısı üretiyor. Thinking, karmaşık akıl yürütme ve uzun düşünce zincirleri için tasarlandı; aynı çok modlu girdileri kullanıyor ancak yalnızca metin çıktısı veriyor.

Captioner, sesli betimlemeler için geliştirilmiş özel bir sürüm. Müzik, konuşma ve farklı seslerin bir arada bulunduğu kayıtları, yapay zekânın yanlış veya uydurma ayrıntılar üretmesi anlamında kullanılan halüsinasyon oranı düşük olacak şekilde doğru betimlemeyi amaçlıyor. Editörler, arşivciler ve yardımcı araçlar geliştirenler potansiyel kullanıcılar arasında.

Thinking Mode, 32.768 token’a kadar akıl yürütme zincirleri dâhil olmak üzere 65.536 token’a kadar bağlamı destekliyor. Non Thinking Mode ise 49.152 token’a kadar destek sunuyor. Bağlam, modelin çalışırken göz önünde tutabildiği bilgi miktarıdır; uzun istemler, dökümler ve birkaç adımdan oluşan oturumlar için önem taşır.

Belirtilen metin girdi sınırı 16.384 token’a kadar çıkarken metin üretimi de 16.384 token’a ulaşabiliyor. Bu girdi ve çıktı sınırları, daha geniş bağlam kapasitesine ek olarak geliştiricilerin ne kadar içerik göndereceklerini ve ne uzunlukta yanıt isteyeceklerini planlarken önem taşıyor.

API üzerinden sesli çıktı yalnızca Non Thinking Mode’da kullanılabiliyor. Alibaba’nın yaklaşımı, akış hâlinde konuşmanın zamanlanmasını kolaylaştırıyor ve uzun akıl yürütmeyle çakışmaları önlüyor. Ayrıntılı akıl yürütmeye ihtiyaç duyan ekipler, planlama veya bilgi getirme için Thinking’i kullanıp son yanıtı bir ses oluşturucuya ya da Instruct modeline aktarabilir.

Bulut erişimi için geliştiricilerin ödeyeceği ücret

Qwen3-Omni’ye model depoları, kod ve ağırlıkların yayımlandığı GitHub ve Alibaba Cloud API’si üzerinden erişilebiliyor. Flash seçeneği, etkileşimli hizmetlerde daha hızlı yanıtlar vermek üzere tasarlandı. Yeni kullanıcılar, etkinleştirme tarihinden itibaren 90 gün geçerli bir milyon token’lık ücretsiz kullanım hakkı alıyor.

Ücretli API maliyetleri, girdi ve çıktının türüne göre değişiyor. Metin girdisi bin token başına 0,00025 dolar; görüntü veya video girdisi 0,00046 dolar; ses girdisi ise 0,00221 dolar tutuyor. Belirtilen ücretlere göre bir milyon metin girdi token’ı 0,25 dolara, bir milyon ses girdi token’ıysa 2,21 dolara mal oluyor.

Girdi yalnızca metinden oluştuğunda metin çıktısı bin token başına 0,00096 dolar. Girdi görüntü veya ses içerdiğinde bu ücret 0,00178 dolara çıkıyor. Geliştirici hem metin hem de ses çıktısı istediğinde ses kısmı bin token başına 0,00876 dolar tutuyor; buna eşlik eden metin kısmıysa ücretsiz.

Modeli kendi altyapılarında çalıştırmak isteyen kuruluşlar için yerel dağıtım başka bir seçenek sunuyor. Alibaba’nın dağıtım alternatifleri, bilişim kaynaklarına, gizlilik gereksinimlerine ve beklenen iş yüküne bağlı olarak geliştiricilerin modeli indirmesine veya yönetilen bir hizmet kullanmasına olanak tanıyor.

Reklam

Alibaba’nın kıyaslama sonuçları

Alibaba, 36 kamuya açık testte sonuçlar bildiriyor; bunların 22’sinde son teknoloji düzeyinde puanlar aldığını, 32’sindeyse açık modeller arasında lider olduğunu öne sürüyor. Yayımlanan sonuçlar, Qwen3-Omni’nin ses performansını geliştirirken metin ve görüntü yeteneklerini koruyan bir sistem olduğunu gösteriyor.

Alibaba, akıl yürütme ve yazma alanlarında AIME25’te 65,0, ZebraLogic’te 76,0 ve WritingBench’te 82,6 puan bildiriyor. Bu testler farklı görevleri değerlendirdiğinden her puan ortak bir ölçeğe değil, kendi değerlendirmesine ait.

Konuşma dökümü sonuçlarında Wenetspeech’te 4,69 ve 5,89, Librispeech other’da ise 2,48 sözcük hata oranları yer alıyor. Sözcük hata oranı, dökümdeki hataları ölçüyor; düşük değer daha az hata anlamına geliyor. Librispeech other sonucu, bu veri kümesi için özellikle düşük.

Müzik sonuçları, etiketleme ve sınıflandırma alanlarını kapsayan GTZAN’da 93,0 ve RUL-MuchoMusic’te 52,0 puan içeriyor. Görsel görevlerde model, HallusionBench’te 59,7, MMMU_pro’da 57,0 ve MathVision_full’da 56,3 puan alıyor. Alibaba, video anlama alanında MLVU’da 75,2 puan bildiriyor.

Alibaba’nın yayımladığı karşılaştırmalara göre bu sonuçlar, Qwen3-Omni’yi belirli testlerde GPT-4o ve Gemini 2.0 Flash dâhil kapalı rakiplerin önüne taşıyor. İlk bağımsız değerlendirmeler de daha küçük modellerin seçilmiş değerlendirmelerin ötesinde zorlandığını belirtiyor. Bu nedenle şirketlerin, özellikle özel şemaların, alışılmadık terimlerin veya üst üste konuşan kişilerin sık görüldüğü durumlarda kendi kayıtları, belgeleri ve görevleriyle denemeler yapması gerekiyor.

Kapalı ve açık rakiplerle karşılaştırması

OpenAI’ın GPT-4o’su ve Google’ın Gemini 2.5’i büyük platformlara entegre olmuş yerleşik rakipler. Her ikisi de kapalı sistem: Müşteriler erişim için ücret ödüyor ve temel modelleri yasal olarak değiştiremiyor veya yeniden dağıtamıyor. Qwen3-Omni’nin Apache 2.0 lisansı, geliştiricilere bu ek seçenekleri sunuyor.

GPT-4o metin, görüntü ve ses girdilerini kabul edip metin ve konuşma çıktısı üretirken temel yapılandırması video klipleri kabul etmiyor. Gemini 2.5 Pro videoyu analiz edebiliyor; metin ve konuşma yanıtları da Google hizmetleri üzerinden kullanılabiliyor. Alibaba, Qwen3-Omni’de konuşma ve görüntünün bir metin modeline sonradan eklenmek yerine doğrudan sistemin içine yerleştirildiğini öne çıkarıyor.

Google’ın Gemma 3n modeli de Apache 2.0 lisanslı bir açık kaynak model olarak tanımlanıyor; video, ses, metin ve görüntüleri kabul ediyor ancak yalnızca metin çıktısı üretiyor. Canlı konuşma üretimi ve esnek lisans içeren tamamen açık bir sistem arayan ekipler için Qwen3-Omni, bu yetenekleri bir arada sunan şu anki tek seçenek olabilir.

Reklam

Lisansın şirketler için önemi

Apache 2.0; ticari kullanıma, kod ve ağırlıkların değiştirilmesine, ince ayara ve yeniden dağıtıma izin veriyor. Geliştiricilerin türev modelleri yayımlamasını gerektirmeden kapalı yeniden dağıtıma da olanak tanıyor. Böylece bir şirket kendi sürümünü gizli tutarken sistemi özelleştirebiliyor.

Lisans, patent hakkı ve katkı lisansı içeriyor. Yapay zekâyı benimsemeden önce fikrî mülkiyet haklarını inceleyen kuruluşlar için bu hükümler entegrasyon riskini azaltıyor ve modelin ürünlere nasıl dâhil edilebileceğini belirlemeye yardımcı oluyor.

Şirketler Qwen3-Omni’yi kendi sunucularında, seçtikleri bir bulut sağlayıcısı üzerinden veya bilişimin veriyi üreten cihaza ya da konuma daha yakın gerçekleştiği uçta kullanıma sunabilir. Bu seçenekler, altyapıları ve özel modelleri üzerinde doğrudan kontrol isteyen işletmeler için önem taşıyor.

Açık dağıtım, herkesin teknolojiyi uyarlamasına da olanak sağlıyor. Modeli kullanan işletmelerin kötüye kullanımı önlemek için içerik filtreleri, kötüye kullanım tespiti ve kullanım izleme sistemlerinin yanı sıra kendi ürün ve müşterilerine göre tasarlanmış denetimler uygulaması gerekiyor.

Model hangi alanlarda kullanılabilir?

Çağrı merkezleri, konuşma dökümü ve çeviriyi sesli yanıtlarla birleştirebilir. Sesli betimleme; müziği, ortam seslerini ve farklı ses türlerini içeren kayıtları tarif etmeye yardımcı olabilir. Görüntü hattı, optik karakter tanıma yoluyla ekran görüntülerindeki ve fotoğraflardaki metinleri okuyabilir; idari işler ve müşteri kabul süreçleri için düzenleri yorumlayabilir.

Video girdisi bu olanakları belgelerin ötesine taşıyor. Bir destek asistanı, hata ışığını gösteren ya da kablosu yanlış bağlanmış bir telefonu gösteren videoyu inceleyebilir. Bir bakım uygulaması, vananın açılıp açılmadığını kontrol etmek için canlı yayını izleyebilir. Bunlar, modelin yetenekleriyle gerçekleştirilebileceği öne sürülen kullanımlardır.

Paralel düşünme ve konuşma, asistanın gelen video karelerini işlemeyi sürdürürken yanıt vermesine yardımcı olabilir. Bu zamanlama, ellerini serbest tutarken sesli yönlendirmeye ihtiyaç duyan kişiler için yararlı.

Thinker ve Talker ayrımı, geliştiricilere ses üretmeden önce şirket belgelerini getirme, politika filtreleri uygulama ve akıl yürütme izlerini inceleme olanağı da sağlıyor. Tüketici asistanları bu denetimlerle marka kurallarına uyabilir; kurumsal özetleme araçları veri sızıntısı olup olmadığını kontrol edebilir; saha araçları talimatları tek tek adımlara bölebilir.

Harici araçlar, modeli arama, veri tabanları ve iş akışı motorlarına bağlayabilir. Alibaba ayrıca ister sınırlı kodlamayla ister kapsamlı özel kodla çalışan ekiplerin araçları birleştirmesine, görevleri zamanlamasına ve hizmetleri kullanıma sunmasına yönelik bulut ajan çerçeveleri geliştiriyor. Non Thinking Mode’da 49.000 token’ı aşan bağlam kapasitesi, önceki eylemleri koruması gereken uzun oturumları destekliyor.

Reklam

Geliştiricilerin ilgisi ve Alibaba’nın daha geniş stratejisi

Qwen3-Omni çeşitleri, birkaç gün içinde Hugging Face’in trend sıralamalarında üst sıralara çıktı. Daha geniş Qwen3 ailesinden modeller de öne çıkan sıralarda yer alırken Qwen3-Omni-30B-A3B sık sık ilk sıraya yerleşti. Bu ilgi, geliştirici ve araştırma topluluklarında Çin menşeli açık modellere yönelik daha geniş bir ilginin parçası.

Yapay zekâ ve bulut işlerine duyulan güvenin artması, analistlerin notlarını yükseltmesi ve küresel fonların ilgisinin yeniden canlanmasıyla Alibaba hisseleri yükseldi. Şirket, Brezilya, Fransa ve Hollanda’daki yeni tesisler dâhil uluslararası veri merkezi varlığını genişletiyor; başka bölgelerde de kapasite artışı planlanıyor.

Alibaba, önümüzdeki üç yılda yapay zekâ altyapısına on milyarlarca dolar ayırma taahhüdünde bulundu ve toplam yapay zekâ sermaye harcamalarını artıracağını belirtti. Daha fazla bilişim kapasitesi hem şirketin kendi modellerini hem de Çin dışındaki bulut hizmetlerini arayan müşterileri destekliyor.

Nvidia ile yürütülen yazılım iş birliği; eğitim, simülasyon ve doğrulamaya yönelik yapay zekâ geliştirme araçlarını kapsıyor. Alibaba ayrıca ileri düzey kod üretimi ve ajan davranışını hedefleyen, bir trilyondan fazla parametreye sahip Qwen3 Max modelini tanıttı. Böylece Omni, etkileşimli asistanlardan daha zorlu araştırma ve geliştirme çalışmalarına yönelik sistemlere uzanan daha geniş bir ailenin parçası hâline geliyor.

Alibaba yöneticileri ne söyledi?

Alibaba Group CEO’su Eddie Wu, Hangzhou’daki yıllık konferansta yapay zekâ ve bulutu, şirketin e-ticaretin yanı sıra iki büyüme motoru olarak tanımladı. Wu’nun açıklamaları artan yatırımı uluslararası veri merkezi genişlemesine ve eğitim ile kullanıma sunma alanlarındaki ortaklıklara bağladı.

Yapay zekâ ve bulut, e-ticaretin yanında Alibaba’nın büyüme motorları. Küresel talebi karşılamak için yatırımlarımızı ve kapasitemizi artıracağız.

Qwen ekibinde araştırmacı olarak çalışan Lin Junyang, modelin ses ve görüntü alanındaki önceki çalışmaları bir araya getirdiğini söyledi.

Qwen3 Omni’yi oluşturmak için temel ses ve görüntü projelerini birleştirdik.

Wu’nun açıklamaları, sürümün arkasındaki iş yatırımını anlatırken Lin’in değerlendirmesi teknik temelleri açıklıyor. Qwen3-Omni, bu çalışmaları geliştiricilerin indirebildiği veya Alibaba’nın bulut hizmeti üzerinden erişebildiği bir modelde birleştiriyor.

Reklam

Günlük kullanımda hâlâ nelerin denenmesi gerekiyor?

Gerçek konuşmalarda arka plan gürültüsü, üst üste konuşan kişiler ve nadir aksanlar bulunur. Videolarda parlama, hareket bulanıklığı ve görünmeyen nesneler olabilir. Dar bir alanda son derece güvenilir konuşma dökümüne veya özel şemaların doğru tanınmasına ihtiyaç duyan kuruluşların veri hazırlığı ve alana özgü ince ayar yapması gerekir.

Bu koşullardaki üretim performansı henüz yanıtlanmamış bir soru. Denemelerde yalnızca kıyaslama sıralamalarına güvenmek yerine harici araçların kullanılmasını gerektiren işler dâhil kuruluşun kendi görevleri incelenmeli.

Daha uzun akıl yürütme ile daha hızlı konuşma arasındaki tercih de ürünleri şekillendirecek. Bazı kuruluşlar uzun akıl yürütmeyi metin olarak tutup yalnızca son yanıtı seslendirebilir. Bazılarıysa sohbeti sürdürmek için daha kısa sesli yanıtları tercih edebilir.

Qwen3-Omni, geliştiricilere yerel kontrol ve yayımlanmış API fiyatlarıyla geniş bir yetenek yelpazesi sunuyor. Pratik değeri, bu bileşimin her hizmeti kullanan kişiler için güvenilir yanıtlar, kabul edilebilir yanıt süreleri ve yeterli dil kapsamı sağlayıp sağlamayacağına bağlı olacak.

Öne Çıkanlar

  • Qwen3-Omni metin, görüntü, ses ve videoyu kabul ediyor; metin ve konuşma çıktısı üretebiliyor.
  • İlk aile 30 milyar parametreye sahip ve Instruct, Thinking ve Captioner çeşitlerini içeriyor.
  • Apache 2.0 ticari kullanıma, değişiklik yapmaya ve yeniden dağıtıma patent hakkıyla birlikte izin veriyor.
  • Alibaba, ilk paket gecikmesini ses için 234 milisaniye, video için 547 milisaniye olarak bildiriyor.
  • Dil desteği, metinde 119 dili, konuşma girdisinde 19 dili ve konuşma çıktısında 10 dili kapsıyor.
  • Metin girdisi API’de bin token başına 0,00025 dolardan başlıyor; 90 gün geçerli bir milyon token’lık ücretsiz kullanım hakkı sunuluyor.
  • Alibaba, pek çok kamuya açık testte önde gelen sonuçlar aldığını öne sürüyor; gerçek iş görevleriyle deneme yapılması yine de gerekiyor.
  • Lansman; uluslararası veri merkezi genişlemesi, Nvidia ile yazılım iş birliği ve daha geniş Qwen3 ailesinin geliştirilmesiyle eş zamanlı gerçekleşiyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir