Qwen3.5-Omni Нативно мультимодальная модель, понимает текст, изображения, аудио и видео — обрабатывает больше 10 часов аудио и более 400 секунд видео в разрешении 720p с частотой 1 кадр в секунду — распознаёт речь на 113 языках, генерирует на 36 — может кодить на основе аудиовизуальных инструкций — клонирует голос Бьёт Gemini 3.1 Pro в большинстве категорий По ссылке в шапке тонны примеров Демо оффлайн Демо (рилтайм) Чат API realtime #vlm #alm #voicecloning #multimodal