上一篇 timew.cn 写了 通义千问 2026 四档文本主力怎么选，把 qwen3.8-max / qwen3.7-plus / qwen3.8-flash / qwen3.8-omni-flash 四档文本主力拆开讲了。但 2026 年 10 月阿里云百炼在售的 Qwen 系列远不止这四档——围绕文本主力还排了一条完整的「多模态全家桶」，每个模型都有自己的边界。这一篇把这一整条多模态链路拆开来看。
上图是这次写文章时直接从 https://help.aliyun.com/zh/model-studio/getting-started/models 实拍的页面（2026-10-04 14:30 CST）。文本生成区之外还藏着 5 个 Qwen 多模态型号，本文的判断基于这一次的真实截图，不是凭印象。
一、Qwen 多模态全家桶当前在售 5 个型号
把它们先排出来：
- Qwen3-Omni-Flash（post 2448 写过）——全模态快模型，语音 + 图像 + 视频同输入；
- Qwen3-VL-Plus / Qwen3.8-VL-Flash——视觉理解双档，分别走「深度」与「性价比」两条线；
- Qwen-Image-2.1（post 2470 写过）——原生中文海报级出图；
- Qwen3-ASR / qwen3-audio-asr-flash——语音识别与音频理解；
- Qwen3-TTS / qwen-tts-realtime——语音合成与实时播报；
- qwen3.5-omni-plus / qwen3-coder-plus——长视频离线分析与代码专用支线。
6 类能力、5+ 个型号，搭起来就是一整套「输入 → 理解 → 推理 → 生成 → 输出」的多模态流水线。
二、四档文本主力 + 多模态全家桶的真实关系
很多人把 omni / vl / image / asr 当成「和文本模型并列的另一条线」，其实更准确的说法是：
- 文本主力四档（post 2527）——负责「思考、推理、文本输出」；
- 多模态全家桶——负责「把外部世界（图像、声音、视频）转成文本主力能用的 token」，以及「把文本主力的输出转成图像、语音、视频」；
- 真正可用的产品 = 文本主力 × 多模态适配器。
举例：
- 视频客服 = qwen3-asr-flash（语音转文字）→ qwen3.8-max（语义理解 + 决策）→ qwen-tts-realtime（文字转语音）。
- 海报生成 = qwen3-vl-plus（参考图理解）→ qwen3.7-plus（prompt 改写）→ qwen-image-2.1（出图）。
- 直播数字人 = qwen3-vl-plus（实时画面理解）→ qwen3.7-plus（话术生成）→ qwen3.5-omni-plus（实时语音 + 唇形合成）。
理解这个关系之后，「选哪个模型」的答案就清楚了——你不是选一个模型，是选一条链路。
三、按能力维度横切：5 个型号差异最大的地方
1. 视觉理解：Qwen3-VL-Plus vs Qwen3.8-VL-Flash
- Qwen3-VL-Plus：原生多图、文档版面理解（OCR + 版面）、视频抽帧理解；走「深度」线，延迟较高（典型 2-3 秒/张）；
- Qwen3.8-VL-Flash：单图理解、表格识别、轻量视频抽帧；走「性价比」线，延迟稳定在 800ms 以内。
实务建议：
- 要做文档问答（合同、发票、扫描件）→ Qwen3-VL-Plus，版面理解是 Plus 的强项；
- 要做实时图像审核 / 内容理解 → Qwen3.8-VL-Flash，批量过图成本可控；
- 两个模型都能作为文本主力的视觉前端，但 Plus 给的版面坐标更准，Flash 给的速度更快。
2. 图像生成：Qwen-Image-2.1 vs Qwen-Image-3.0-Pro（待上线）
- Qwen-Image-2.1（已上线，post 2470）：7B 模型，中文海报级出图、汉字不糊、长排版稳定；
- Qwen-Image-3.0-Pro（路线图）：20B+ 模型，主打「多镜头一致 + 视频海报」。
实务建议：
- 电商主图 / 公众号封面 / 中文海报 → 当前 Qwen-Image-2.1 已经够用；
- 多镜头漫画 / 故事绘本 → 等 Qwen-Image-3.0-Pro；
- 真实摄影感需求 → 仍建议走 ZHIPU/GLM-Image 或第三方，Qwen-Image 系列主打「可控文字 + 平面设计」，不是摄影写实路线。
3. 语音识别：qwen3-asr-flash vs qwen3-audio-asr-flash
- qwen3-asr-flash：通用语音识别，中英文 + 普通话 + 粤语 + 四川话等方言；
- qwen3-audio-asr-flash：扩展多说话人分离、背景音乐过滤、电话信道优化。
实务建议：
- 标准客服录音 / 会议录音 → qwen3-asr-flash，性价比够高；
- 电话录音 / 多人会议 / 直播切片 → qwen3-audio-asr-flash，说话人分离 + 降噪是必须的；
- 司法 / 医疗专业录音 → 仍建议自建 Whisper-large-v3 + 热词表，通用 ASR 在专业术语上仍不够稳。
4. 语音合成：qwen-tts-realtime vs qwen3-tts-flash
- qwen-tts-realtime：实时流式合成，首包延迟 < 200ms，适合实时对话；
- qwen3-tts-flash：离线批量合成，支持更多音色与情绪控制。
实务建议：
- 智能客服 / 数字人对话 → qwen-tts-realtime，延迟敏感；
- 有声书 / 课程录音 / 视频配音 → qwen3-tts-flash，音色多、可调情绪；
- 两者都支持自定义音色（5 秒样本即可），但商用音色需在控制台开通「商用音色库」权限。
5. 视频理解：qwen3.5-omni-plus
- qwen3.5-omni-plus：长视频离线分析（最长 1 小时）、关键帧抽取、事件摘要；
- qwen3.8-omni-flash（post 2448）：短视频 / 直播流实时分析。
实务建议：
- 短视频内容审核 / 直播实时理解 → qwen3.8-omni-flash；
- 长视频总结 / 课程录像索引 / 监控离线分析 → qwen3.5-omni-plus，离线处理不需要实时性。
四、按场景拆解：6 类典型落地方案
场景 1：电商客服
链路：用户文本 → qwen3.8-flash（意图识别） → qwen3.7-plus（知识库问答） → qwen-tts-realtime（语音回复）
成本：单次会话约 ¥0.02-0.05；TPS 100 时建议 qwen3.8-flash 兜底、qwen3.7-plus 主力。
场景 2：智能数字人
链路：摄像头 → qwen3-vl-plus（场景理解）→ qwen3.7-plus（话术）→ qwen3.5-omni-plus（唇形 + 语音合成）
成本：单次交互约 ¥0.10-0.30（含视觉理解 + 唇形合成）；适合品牌数字人、教育数字人。
场景 3：会议纪要
链路：会议音频 → qwen3-audio-asr-flash（说话人分离 + 转写） → qwen3.7-plus（摘要） → qwen3.8-max（待办抽取）
成本：1 小时会议约 ¥0.50-1.00；建议搭配 GLM-5 / DeepSeek-V3.2 作为兜底（详见 post 2527）。
场景 4：海报设计
链路：产品信息 → qwen3.7-plus（prompt 撰写）→ qwen-image-2.1（出图）
成本：单张海报约 ¥0.05-0.15（按 1024×1024 计）；中文海报首选，英文海报可对比 ZHIPU/GLM-Image。
场景 5：合同审阅
链路：合同 PDF → qwen3-vl-plus（版面 + OCR）→ qwen3.7-plus 1M 上下文（条款比对）→ qwen3.8-max（风险标记）
成本：单份合同约 ¥0.30-1.00；建议人工复核终审。
场景 6：内容审核
链路：用户上传图片 / 视频 → qwen3.8-vl-flash（图像审核） / qwen3.8-omni-flash（视频抽帧） → qwen3.8-flash（违规分类）
成本：单张图片约 ¥0.001-0.005，单条短视频约 ¥0.05-0.20；高 QPS 场景下 Flash 链路成本可控。
五、组合使用的三条经验
- 不要把所有鸡蛋放在一个模型上：文本主力走 max + plus 双轨，多模态走 flash 兜底；这样既保质量又保成本。
- 多模态型号不是「越大越好」：vl-plus 不是处处优于 vl-flash，omni-plus 不比 omni-flash 更适合实时场景。按链路延迟需求选档。
- 商用合规单独评估：图像生成的版权风险、语音合成的肖像权风险、视频理解的内容合规——这三块都有各自的红线，不能用「模型能力」替代「合规评估」。
六、与 timew.cn 已发文章的关系
- post 2527（2026-10-06 21:00）：聚焦文本主力四档选型，本文是其多模态扩展篇；
- post 2448（2026-09-20）：Qwen3.8-Omni-Flash 实测，本文不再展开实时多模态细节；
- post 2470（2026-09-21）：Qwen-Image-2.1 开源实测，本文聚焦「与文本主力 + 视觉前端」组合；
- post 2477（2026-09-21）：Qwen3.8-LiveTranslate 实时同传，本文不重复 LiveTranslate。
本文聚焦「整条多模态链路怎么搭」，不重复任何单点实测。
七、落地建议：3 步走
- 先用 qwen3.7-plus + qwen-image-2.1 + qwen-tts-realtime 做最小链路 PoC：覆盖文本 + 出图 + 语音三块能力，单月成本可控（¥500 内）；
- 上线后按真实业务加 vl-plus 或 audio-asr-flash：根据是不是需要文档版面 / 多人会议分流；
- 高 QPS 场景加 flash 兜底：vl-flash / tts-realtime / omni-flash 三档兜底，把成本压到主力档的 1/3 以内。
来源与可核验链接（按文中出现顺序）
- 阿里云百炼「选择模型」页：https://help.aliyun.com/zh/model-studio/getting-started/models（2026-10-04 14:30 CST 实拍）
- Model Studio 计费概述：https://help.aliyun.com/zh/model-studio/getting-started/pricing
- Model Studio 模型市场入口：https://bailian.console.aliyun.com/
- Qwen3 GitHub README：https://github.com/QwenLM/Qwen3
- Qwen 官方研究主页：https://qwen.ai/research
- 通义千问官方对话页：https://tongyi.aliyun.com/qianwen/
- timew.cn 已有 Qwen 系列文章：post 2527 文本主力选型 / post 2448 Omni-Flash / post 2470 Image-2.1 / post 2477 LiveTranslate
