Qwen выкатила Qwen3.5-Omni https://qwen.ai/blog?id=qwen3.5-omni Прям наступает на пятке сильной в мультимодальности Gemini 3.1-pro: текст, картинки, аудио и аудио+видео в одном контуре. И с упором не только на понимание, но и на живое голосовое взаимодействие. - три версии: Plus, Flash и Light - до 256K контекста - обработка более 10 часов аудио - более 400 секунд 720P audio-video - распознавание речи в 113 языках и диалектах (русский есть) - генерация речи в 36 языках и диалектах (русский есть) Причем обещают, что сделали много улучшений именно в сценариях: - нормальный voice assistant, который понимает не только текст, но и голос, изображения и видео - native Web Search и function calling - voice control с управлением скоростью, громкостью и эмоцией - semantic interruption, чтобы ассистент не тупил на фоне и лучше понимал, когда человек реально хочет вступить в диалог - voice cloning для кастомных AI-ассистентов Посмотрите на видео-демки, это прям уровень топов! Вау! Кто бы мог это представить еще год назад... https://qwen.ai/blog?id=qwen3.5-omni