Alibaba Cloud Model Studio:Rilis dan pembaruan model

qwen3.6-plus, qwen3.6-plus-2026-04-02

Qwen3.6-Plus menampilkan peningkatan signifikan pada kemampuan pengembangan kode, seperti Agentic Coding dan pemrograman frontend, serta menyediakan pengalaman Vibe Coding yang jauh lebih baik. Kemampuan inferensinya dalam skenario generalisasi semakin ditingkatkan. Untuk kemampuan multimodal, kinerjanya dalam pengenalan objek universal, OCR, dan lokalisasi objek ditingkatkan secara signifikan. Versi ini juga memperbaiki masalah yang diketahui setelah rilis Qwen3.5-Plus. Metode penggunaannya sama dengan qwen3.5-plus. Ikhtisar generasi teks

qwen3.5-flash, qwen3.5-flash-2026-02-23, qwen3.5-122b-a10b, qwen3.5-27b, qwen3.5-35b-a3b

Model-model dari Alibaba, Qwen3.5-Flash dan model open-source lainnya, mendukung input teks, gambar, dan video. Model-model ini memberikan respons cepat, kinerja keseluruhan yang mendekati Qwen3.5-plus, dan mendukung tool calling bawaan. Ikhtisar generasi teks

qwen3.5-plus, qwen3.5-plus-2026-02-15, qwen3.5-397b-a17b

Model Alibaba, Qwen3.5-Plus, dan model open-source lainnya mendukung input teks, gambar, dan video. Model-model ini unggul dalam berbagai tugas, seperti pemahaman bahasa, penalaran logis, generasi kode, tugas agen, pemahaman gambar, pemahaman video, dan tugas antarmuka pengguna grafis (GUI). Model-model ini juga mendukung tool calling bawaan. Ikhtisar generasi teks

wan2.6-image

Mendukung pengeditan gambar dan output campuran gambar-teks. Wan - image generation and editing 2.6

wan2.6-i2v

Menambahkan fitur narasi multi-shot, yang mendukung audio menggunakan dubbing otomatis atau file audio kustom. Wan - image-to-video - first frame-based

wan2.6-r2v

Menghasilkan video multi-shot berdasarkan penampilan dan suara karakter dari video referensi. Fitur ini juga mendukung dubbing otomatis. Wan - reference-to-video

wan2.6-t2v

Menambahkan fitur narasi multi-shot, yang mendukung audio menggunakan dubbing otomatis atau file audio kustom. Wan - text-to-video

qwen3-vl-plus

Model pemahaman visual dari seri Qwen3. Model ini secara efektif menggabungkan mode berpikir dan non-berpikir, serta kemampuan agen visualnya termasuk yang terbaik di dunia. Versi ini menampilkan peningkatan komprehensif dalam pengkodean visual, kecerdasan spasial, dan pemikiran multimodal. Model ini juga secara signifikan meningkatkan kemampuan persepsi dan pengenalan visual. Pemahaman gambar dan video

qwen3-coder-flash, qwen3-coder-flash-2025-07-28

Model tercepat dan paling hemat biaya dalam seri Qwen-Coder. Kemampuan kode (Qwen-Coder).

qwen-vl-ocr-2025-11-20

Versi snapshot model ekstraksi teks Qwen ini dibangun di atas arsitektur Qwen3-VL dan secara signifikan meningkatkan parsing dokumen dan lokalisasi teks. Ekstraksi teks (Qwen-OCR)

qwen-vl-ocr

qwen-vl-ocr adalah model yang dioptimalkan untuk OCR dan secara signifikan meningkatkan ekstraksi teks dari gambar, seperti tabel dan lembar ujian. Lihat Ekstraksi teks.

qwen-plus-2025-12-01

Model dari seri Qwen3. Dibandingkan qwen-plus-2025-07-28, model ini memiliki kemampuan mengikuti instruksi yang ditingkatkan dan memberikan ringkasan yang lebih ringkas dalam mode berpikir. Lihat Pemikiran mendalam. Dalam mode non-berpikir, model ini memiliki peningkatan kemampuan pemahaman bahasa Tiongkok dan penalaran logis. Lihat Ikhtisar generasi teks.

qwen-plus

Menawarkan keseimbangan kemampuan. Kinerja inferensinya, biaya, dan kecepatannya berada di antara Qwen-Max dan Qwen-Flash, sehingga cocok untuk tugas dengan tingkat kompleksitas sedang.

qwen-mt-lite

Model terjemahan teks dasar dari Qwen. Model ini mendukung terjemahan antara 31 bahasa. Model ini menawarkan respons lebih cepat dan biaya lebih rendah dibandingkan qwen-mt-flash, sehingga cocok untuk skenario yang sensitif terhadap latensi. Kemampuan terjemahan (Qwen-MT)

qwen-mt-plus, qwen-mt-flash

Model Qwen-MT adalah model bahasa besar untuk terjemahan mesin yang dioptimalkan dari model Qwen. Model ini unggul dalam terjemahan antara Tiongkok dan Inggris, antara Tiongkok dan bahasa minoritas, serta antara Inggris dan bahasa minoritas. Model ini mendukung 26 bahasa minoritas, seperti Jepang, Korea, Prancis, Spanyol, Jerman, Portugis (Brasil), Thailand, Indonesia, Vietnam, dan Arab. Selain terjemahan multibahasa, model ini menyediakan fitur seperti intervensi terminologi, prompting domain, dan memori terjemahan untuk meningkatkan kualitas terjemahan dalam skenario kompleks. Lihat Kemampuan terjemahan (Qwen-MT).

qwen-flash, qwen-flash-2025-07-28

Model tercepat dan paling hemat biaya dalam seri Qwen, cocok untuk tugas sederhana.

qwen4-max-preview

Qwen4-Max-Preview adalah model multimodal unggulan generasi berikutnya dalam keluarga Qwen, yang menggabungkan pembuatan teks, pemahaman gambar dan video, serta penalaran mendalam. Model ini dirancang untuk pemrograman, produktivitas kantor, desain frontend, dan tugas agen yang kompleks. Dengan dukungan pencarian web, pemanggilan alat, dan keluaran terstruktur, serta kompatibilitas dengan API OpenAI dan Anthropic, model ini memungkinkan pengembang membangun aplikasi cerdas yang mampu memahami input multimodal dan menjalankan tugas.

Saat ini dalam tahap pratinjau. Hanya tersedia melalui Token Plan. Lihat Qwen4-Max-Preview untuk detail dan Token Plan untuk petunjuk akses.

pixverse/pixverse-v6-t2v

Model text-to-video PixVerse V6. Model ini memungkinkan kontrol presisi atas visual dan pergerakan kamera (push, pull, pan, truck, dan tracking) melalui prompt, dengan perpindahan sudut pandang yang akurat dan dapat dikontrol. Mendukung video 15 detik, output audio dan video yang tersinkron, serta teks multibahasa.

pixverse/pixverse-v6-it2v

Model image-to-video PixVerse V6. Selain kontrol melalui prompt, model ini mereproduksi warna, saturasi, adegan, dan karakteristik tokoh dari gambar referensi dengan sangat akurat, serta menampilkan emosi tokoh dan gerakan berkecepatan tinggi secara lebih ekspresif. Mendukung video 15 detik, output audio dan video yang tersinkron, serta teks multibahasa. Cocok untuk skenario seperti close-up produk e-commerce, video promosi, dan simulasi pemodelan C4D untuk menampilkan struktur produk.

pixverse/pixverse-v6-kf2v

Model first-and-last-frame-to-video PixVerse V6. Model ini menghubungkan dua gambar apa pun dengan transisi yang mulus dan alami. Mendukung video 15 detik, output audio dan video yang tersinkron, serta teks multibahasa.

pixverse/pixverse-v6-r2v

Model multi-subject reference-to-video PixVerse V6. Model ini menerima 2 hingga 7 gambar sebagai input dan memadukan berbagai subjek secara cerdas, sehingga cocok untuk medium shot dan long shot yang kompleks. Model ini juga menyediakan kontrol melalui prompt dan konsistensi subjek. Mendukung video 15 detik, output audio dan video yang tersinkron, serta teks multibahasa. Cocok untuk skenario seperti close-up produk e-commerce, video promosi, dan simulasi pemodelan C4D untuk menampilkan struktur produk.

qwen-audio-3.1-tts-next

Qwen-Audio-3.1-TTS-Next adalah model AudioGen yang dirancang untuk generasi audio terpadu. Melampaui sistem TTS konvensional yang hanya berfokus pada sintesis ucapan, model ini dapat menghasilkan konten audio lengkap dalam satu kali proses dari input seperti teks, stempel waktu, dan audio referensi, menggabungkan ucapan, efek suara, suara latar, dan lainnya secara mulus. Model ini mendukung berbagai tugas, termasuk TTS multibahasa, ucapan pembicara tunggal, dialog multi-pembicara, podcast, lanskap suara sinematik, audio latar, dan efek suara. Keunggulan utamanya meliputi ucapan yang lebih alami dan ekspresif, identitas suara yang konsisten, kontrol waktu yang fleksibel, dan generasi lanskap suara berkualitas tinggi. Kemampuan ini menjadikannya sangat cocok untuk pembuatan konten, video pendek, podcast, produksi film dan televisi, audio game, dan skenario pembuatan audio profesional lainnya.

qwen-audio-3.1-tts-plus

Qwen-Audio-3.1-TTS-Plus adalah model text-to-speech profesional berkualitas tinggi untuk suara premium dan pembuatan konten. Model ini mendukung berbagai bahasa dan dialek, sintesis ucapan streaming, instruksi bebas, serta tag terperinci untuk mengontrol emosi, nada, karakter, kecepatan bicara, dan volume. Untuk kloning suara, model ini lebih tangguh terhadap derau dan gema pada audio referensi, sehingga meningkatkan kualitas, kejernihan, dan ekspresi audio. Versi Plus mengutamakan kualitas dan resolusi audio untuk kebutuhan profesional, seperti suara merek, produksi konten audio, sulih suara film dan televisi, serta pemeranan karakter.

qwen-audio-3.1-tts-flash

Qwen-Audio-3.1-TTS-Flash adalah model sintesis ucapan untuk interaksi waktu nyata. Model ini mendukung sintesis ucapan streaming dan berbagai suara sistem untuk asisten suara, percakapan waktu nyata, dan layanan pelanggan.

qwen-audio-3.1-asr-flash-message

Qwen-Audio-3.1-ASR-Flash-Message adalah model pengenalan ucapan generatif yang dioptimalkan untuk pesan suara, input suara, dan skenario perusahaan. Model ini mendukung bahasa Mandarin, Inggris, dan bahasa lainnya, dengan optimalisasi untuk bahasa Indonesia, Jepang, Thai, Filipina, Vietnam, Korea, dan Melayu. Model ini mendukung transkripsi streaming inkremental, kata panas P0/P1, normalisasi teks, pengenalan yang diinformasikan oleh transkrip sebelumnya dan konteks bisnis, serta pemolesan teks asli opsional. Model ini meningkatkan stabilitas pengenalan dengan beberapa pembicara, percakapan latar belakang, audio medan jauh, dan kebisingan lingkungan. Model ini mendukung deteksi bahasa otomatis atau bahasa target yang ditentukan, dan dapat mentranskripsikan dialek Tiongkok sebagaimana diucapkan atau mengubahnya menjadi teks Mandarin standar.

qwen-audio-3.1-asr-flash-streaming

Qwen-Audio-3.1-ASR-Flash-Streaming adalah model pengenalan ucapan waktu nyata end-to-end yang dirancang untuk skenario seperti konferensi waktu nyata, subtitle langsung, dan interaksi cerdas. Model ini memiliki latensi rendah dan akurasi tinggi dalam transkripsi ucapan streaming. Model ini mendukung pengenalan dialek Tiongkok multibahasa dan multi-wilayah, peralihan mulus antara bahasa Tiongkok dan Inggris, peningkatan kata panas dan konteks, prediksi tanda baca, serta normalisasi teks. Model ini juga menunjukkan ketahanan noise yang kuat dan dapat beradaptasi dengan lingkungan akustik yang kompleks. Selain itu, versi ini mendukung output ASR/AST yang dapat dikontrol untuk berbagai dialek.

qwen-audio-3.1-asr-flash

Qwen-Audio-3.1-ASR-Flash adalah model berskala besar yang mendukung pengenalan ucapan pendek yang efisien, dirancang untuk skenario transkripsi konten berkualitas tinggi, multibahasa, dan budaya. Model ini mendukung pengenalan dialek Tiongkok multibahasa dan multi-wilayah, serta dioptimalkan untuk ritme, intonasi, dan ekspresi bahasa Tiongkok klasik dari puisi Tiongkok kuno. Model ini memiliki kemampuan peningkatan konteks, prediksi tanda baca, dan normalisasi teks. Versi ini juga mendukung output ASR/AST yang dapat dikontrol untuk berbagai dialek. Model ini mencakup kemampuan transkripsi dan penyempurnaan asli, serta kemampuan transkripsi berbasis peran dialog multi-orang tingkat industri.

qwen-audio-3.1-asr-flash-filetrans

Qwen-Audio-3.1-ASR-Flash-Filetrans adalah model pengenalan ucapan offline end-to-end yang dirancang untuk skenario seperti transkripsi rapat, produksi konten, dan analisis panggilan. Model ini mendukung pengenalan dialek Tiongkok multibahasa dan multi-wilayah. Model ini memiliki kemampuan transkripsi presisi tinggi, peningkatan kata panas dan konteks, pemisahan pembicara, prediksi tanda baca, dan normalisasi teks. Model ini mempertahankan kinerja yang stabil bahkan di lingkungan yang bising dan kompleks, menjadikannya pilihan utama untuk transkripsi audio panjang. Versi ini juga mendukung keluaran ASR/AST yang dapat dikontrol untuk berbagai dialek.

wan2.7-videoedit

Model Wan 2.7-Video Editing mendukung tugas editing berbasis instruksi dan migrasi video. Model ini memodifikasi bagian video atau seluruh video, mendukung penggantian konten menggunakan beberapa gambar referensi, dan mereplikasi gerakan, efek, serta pergerakan kamera. Lihat Wan-Video Editing 2.7.

wan2.7-i2v

Model image-to-video Wan 2.7 mendukung input multimodal (teks, gambar, audio, dan video) untuk tiga tugas utama: pembuatan video frame pertama, pembuatan video frame awal-dan-akhir, dan kelanjutan video. Wan-Image-to-Video 2.7

wan2.7-t2v

Model text-to-video Wan 2.7 menambahkan opsi resolusi baru dan pengaturan rasio aspek kustom agar dapat beradaptasi fleksibel terhadap berbagai skenario kreasi dan kebutuhan penerbitan platform. Wan text-to-video

wan2.7-r2v

Model reference-to-video Wan 2.7 mendukung referensi entitas dan kustomisasi suara. Model ini juga menghasilkan video berbasis naskah langsung dari storyboard multi-panel tunggal. Wan - Reference-to-video

qwen3.6-plus, qwen3.6-plus-2026-04-02

Qwen-3.6-Plus menawarkan peningkatan signifikan pada kemampuan pengembangan kode, seperti Agentic Coding dan pemrograman frontend, serta meningkatkan pengalaman Vibe Coding. Kemampuan inferensi model dalam skenario umum semakin ditingkatkan. Kemampuan multimodal juga ditingkatkan secara signifikan, termasuk pengenalan objek universal, Optical Character Recognition (OCR), dan lokalisasi objek. Versi ini juga memperbaiki masalah yang diketahui dari rilis Qwen-3.5-Plus. Penggunaannya sama dengan Qwen-3.5-Plus. Lihat Ikhtisar generasi teks.

wan2.7-image-pro, wan2.7-image

Model generasi dan pengeditan gambar Wan 2.7 mendukung teks-ke-gambar, generasi grup teks-ke-gambar, generasi grup gambar-ke-gambar, pengeditan gambar, generasi referensi multi-gambar, dan pengeditan interaktif. Model ini unggul dalam rendering teks, konsistensi entitas, dan mengikuti instruksi kompleks. Seri Pro mendukung output 4K. Versi akselerasi menyeimbangkan kualitas dan kecepatan respons. Wan - image generation and editing 2.7

qwen3.5-omni-plus, qwen3.5-omni-plus-2026-03-15, qwen3.5-omni-flash, qwen3.5-omni-flash-2026-03-15

Model omni-modal mendukung analisis video panjang, notulen rapat, output takarir, moderasi konten, dan interaksi audio-video. Model ini mendukung pemahaman mendalam dan pembuatan deskripsi untuk konten audio dan video, mendeteksi 113 bahasa, dan menghasilkan audio dalam 36 bahasa. Model ini dapat memproses input audio hingga 3 jam dan video hingga 1 jam. Model ini juga mendukung pencarian web dan instruksi untuk mengontrol volume, kecepatan, dan emosi output audio. Non-real-time (Qwen-Omni)

qwen3.5-omni-plus-realtime, qwen3.5-omni-plus-realtime-2026-03-15, qwen3.5-omni-flash-realtime, qwen3.5-omni-flash-realtime-2026-03-15

Model multimodal real-time dari Qwen. Dibandingkan generasi sebelumnya Qwen3-Omni-Flash-Realtime, model ini menampilkan peningkatan kecerdasan yang signifikan dan setara dengan Qwen3.5-Plus. Model ini secara native mendukung pencarian web (WebSearch), interupsi suara, dan kontrol suara. Model ini mengenali 113 bahasa dan dialek, serta menghasilkan ucapan dalam 36 bahasa dan dialek. Real-time (Qwen-Omni-Realtime)

qwen-image-2.0, qwen-image-2.0-2026-03-03, qwen-image-2.0-pro, qwen-image-2.0-pro-2026-03-03

Seri Qwen-Image2.0 mendukung generasi dan pengeditan gambar. Seri Pro menawarkan kemampuan yang lebih kuat dalam rendering teks, tekstur realistis, dan pemahaman semantik. Versi akselerasi menyeimbangkan kinerja dengan kecepatan respons. Qwen-text-to-image, Qwen-Image Edit

qwen3.5-flash, qwen3.5-flash-2026-02-23, qwen3.5-122b-a10b, qwen3.5-27b, qwen3.5-35b-a3b

Model-model dari Alibaba, Qwen-3.5-Flash dan model open source lainnya, mendukung input teks, gambar, dan video. Model-model ini memberikan respons cepat dan kinerja yang setara dengan Qwen-3.5-plus. Model-model ini juga mendukung tool calling bawaan. Lihat Ikhtisar model generasi teks.

qwen3.5-plus, qwen3.5-plus-2026-02-15, qwen3.5-397b-a17b

Model Qwen3.5-Plus dan model open-source dari Alibaba. Model-model ini menerima input teks, gambar, dan video serta memberikan kinerja luar biasa dalam berbagai tugas, seperti pemahaman bahasa, penalaran logis, generasi kode, tugas agen, pemahaman gambar, pemahaman video, dan antarmuka pengguna grafis (GUI). Model-model ini juga mendukung tool calling bawaan. Ikhtisar generasi teks

cosyvoice-v3-plus, cosyvoice-v3-flash

Sintesis ucapan CosyVoice menambahkan model v3 yang mendukung sintesis ucapan dengan suara sistem dan suara hasil kloning. Sintesis ucapan real-time - CosyVoice/Sambert

wan2.6-r2v-flash

Hasilkan video multi-shot dengan dubbing otomatis, menggunakan penampilan karakter dari video referensi atau gambar. Wan - reference-to-video

qwen3-asr-flash-filetrans

Qwen3-ASR-Flash-Filetrans kini mendukung timestamp tingkat kata. Gunakan parameter baru enable_words untuk mendapatkan informasi alignment kata dan karakter tingkat milidetik serta mencapai segmentasi kalimat yang lebih akurat secara semantik dan detail halus. Pengenalan file audio - Qwen

wan2.6-i2v-flash

Menghasilkan video dengan atau tanpa audio. Kedua jenis video tersebut ditagih secara independen berdasarkan aturan penagihan masing-masing. Model ini juga memiliki kemampuan narasi multi-shot dan pemrosesan audio. Wan - Image-to-video - Berdasarkan frame pertama

wan2.2-kf2v-flash

Model ini menghasilkan video dinamis yang mulus dan lancar dari gambar frame pertama dan terakhir berdasarkan prompt. Image-to-video: First and last frames

qwen3-asr-flash

Qwen3-ASR-Flash mendukung mode kompatibel OpenAI. Mengenali file audio menggunakan Qwen

z-image-turbo

Model text-to-image ringan yang dengan cepat menghasilkan gambar berkualitas tinggi. Model ini mendukung rendering bilingual dalam bahasa Tiongkok dan Inggris, pemahaman semantik kompleks, berbagai gaya dan tema, serta beradaptasi fleksibel terhadap berbagai resolusi dan rasio aspek. Z-Image

qwen3-asr-flash-filetrans, qwen3-asr-flash

Menambahkan dukungan untuk pengenalan ucapan dalam 9 bahasa lagi, termasuk Ceko dan Denmark. Pengenalan file audio - Qwen

qwen3-asr-flash-realtime

Pengenalan ucapan kini mendukung sembilan bahasa tambahan, termasuk Ceko dan Denmark. Speech recognition real-time (Qwen)

qwen3-asr-flash

Mendukung audio dengan laju sampel dan saluran suara apa pun. Pengenalan file audio - Qwen

qwen3-tts-vd-realtime-2025-12-16 (snapshot)

Model snapshot baru untuk sintesis ucapan real-time Qwen menggunakan suara dari desain suara Qwen untuk sintesis real-time berlatensi rendah dan stabilitas tinggi. Model ini mendukung output multibahasa, secara otomatis menyesuaikan nada berdasarkan teks, serta mengoptimalkan sintesis untuk teks kompleks. Sintesis ucapan real-time - Qwen

wan2.6-t2i

Antarmuka sinkron baru ditambahkan. Antarmuka ini mendukung pemilihan dimensi kustom dalam batasan luas piksel total dan rasio aspek. Wan - text-to-image V2

wan2.6-image

Mendukung pengeditan gambar dan output campuran gambar-teks. Wan - Image generation and editing 2.6

wan2.6-i2v

Menambahkan fitur narasi multi-shot, yang mendukung audio menggunakan dubbing otomatis atau file audio kustom. Wan - image-to-video - first frame

wan2.6-r2v

Menghasilkan video multi-shot berdasarkan penampilan dan suara karakter dari video referensi. Mendukung dubbing otomatis. Wan - reference-to-video

wan2.6-t2v

Menambahkan fitur narasi multi-shot, yang mendukung audio menggunakan dubbing otomatis atau file audio kustom. Text-to-video

fun-asr

Pembaruan fitur untuk pengenalan file audio Fun-ASR:

• Menambahkan dukungan untuk pengenalan bernyanyi guna mentranskripsi lagu lengkap. Lihat Pengenalan file audio - Fun-ASR/Paraformer/SenseVoice.

qwen3-omni-flash-realtime-2025-12-01

Model snapshot untuk versi real-time Qwen-Omni menawarkan interaksi multimodal berlatensi rendah. Versi ini meningkatkan jumlah timbre yang didukung menjadi 49 dan secara signifikan meningkatkan kemampuan mengikuti instruksi serta pengalaman interaktif model. Real-time (Qwen-Omni-Realtime)

qwen3-livetranslate-flash, qwen3-livetranslate-flash-2025-12-01

Qwen3-LiveTranslate-Flash adalah model terjemahan audio dan video yang menerjemahkan antara 18 bahasa, seperti Tiongkok, Inggris, Rusia, dan Prancis. Model ini memanfaatkan konteks visual untuk meningkatkan akurasi terjemahan dan menyediakan output teks maupun ucapan. Terjemahan file audio dan video (Qwen)

qwen-mt-lite

Model terjemahan teks dasar dari Qwen. Model ini mendukung terjemahan antara 31 bahasa. Model ini menawarkan waktu respons lebih cepat dan biaya lebih rendah dibandingkan qwen-mt-flash, sehingga cocok untuk skenario yang sensitif terhadap latensi. Mesin terjemahan (Qwen-MT)

qwen-voice-enrollment

Qwen merilis model kloning suara. Model ini menghasilkan suara yang sangat mirip dari audio selama lebih dari 5 detik. Model ini model ini dapat membuat klon suara seseorang dengan fidelitas tinggi dan mengeluarkannya secara real time dalam 11 bahasa. Kloning suara Qwen

qwen3-tts-vc-realtime-2025-11-27 (snapshot)

Sintesis ucapan real-time Qwen merilis model snapshot baru. Model ini menggunakan suara yang dihasilkan oleh kloning suara Qwen untuk sintesis real-time berlatensi rendah dan stabilitas tinggi. Model ini mendukung output multibahasa. Model ini dapat secara otomatis menyesuaikan nadanya berdasarkan teks dan mengoptimalkan kinerja sintesis untuk teks kompleks. Sintesis ucapan real-time - Qwen

qwen3-tts-flash-realtime-2025-11-27 (snapshot)

Sintesis ucapan real-time Qwen merilis model snapshot baru. Model ini menampilkan latensi rendah dan stabilitas tinggi. Model ini menawarkan pilihan suara yang lebih kaya, dan setiap suara mendukung output multibahasa. Model ini secara otomatis menyesuaikan nadanya berdasarkan teks dan meningkatkan kinerja sintesis untuk teks kompleks. Sintesis ucapan real-time - Qwen

qwen3-tts-flash-2025-11-27 (snapshot)

Sintesis ucapan Qwen merilis model snapshot baru. Model ini menawarkan pilihan suara yang lebih kaya. Setiap suara mendukung output multibahasa. Model ini secara otomatis menyesuaikan nadanya berdasarkan teks dan mengoptimalkan sintesis untuk teks kompleks. Qwen text-to-speech (TTS)

qwen-vl-ocr-2025-11-20 (snapshot)

Versi snapshot dari model ekstraksi teks Qwen ini dibangun di atas arsitektur Qwen3-VL dan secara signifikan meningkatkan parsing dokumen dan lokalisasi teks. Ekstraksi teks

qwen3-asr-flash-filetrans, qwen3-asr-flash-filetrans-2025-11-17 (snapshot)

Pengenalan file audio Qwen merilis model baru. Model ini dirancang untuk transkripsi asinkron file audio dan mendukung rekaman hingga 12 jam. Pengenalan file audio - Qwen

fun-asr-2025-11-07 (snapshot)

Model snapshot baru tersedia untuk pengenalan file audio Fun-ASR. Model ini mengoptimalkan deteksi aktivitas suara jarak jauh (VAD) untuk meningkatkan akurasi dan stabilitas pengenalan. Selain Tiongkok dan Inggris, model ini kini mendukung beberapa dialek Tiongkok dan bahasa Jepang. Pengenalan file audio - Fun-ASR/Paraformer/SenseVoice

qwen-mt-flash

model ini mendukung output inkremental streaming dan menawarkan peningkatan kinerja keseluruhan. Kemampuan terjemahan (Qwen-MT)

wan2.2-animate-move

Memindahkan gerakan dan ekspresi karakter dari video template ke gambar statis tunggal untuk menghasilkan video karakter dalam gerak. Wan - Image-to-action

wan2.2-animate-mix

Model ini mengganti karakter utama dalam video referensi dengan karakter dari gambar. Model ini mempertahankan adegan, pencahayaan, dan nada video asli untuk mencapai penggantian karakter yang mulus. Wan - Video Character Swap

qwen3-asr-flash-realtime

Model speech recognition real-time Qwen memiliki fitur deteksi bahasa otomatis. Model ini dapat mendeteksi 11 jenis bahasa dan memberikan transkripsi akurat di lingkungan audio kompleks. Speech recognition real-time (Qwen)

qwen3-vl-plus

Model pemahaman visual Qwen3 secara efektif menggabungkan mode berpikir dan non-berpikir, dan kemampuan agen visualnya termasuk yang terbaik di dunia. Versi ini menampilkan peningkatan komprehensif dalam pengkodean visual, kecerdasan spasial, dan pemikiran multimodal. Model ini juga secara signifikan meningkatkan kemampuan persepsi dan deteksi visual. Pemahaman gambar dan video

qwen3-coder-flash, qwen3-coder-flash-2025-07-28

Model tercepat dan paling hemat biaya dalam seri Qwen-Coder. Kemampuan kode (Qwen-Coder).

qwen-flash, qwen-flash-2025-07-28

Model tercepat dan paling hemat biaya dalam seri Qwen, cocok untuk tugas sederhana.

wan2.2-i2v-plus

Dibandingkan model 2.1, versi baru ini secara signifikan meningkatkan detail gambar dan stabilitas gerakan. Kecepatan generasi meningkat hingga 50%. First-frame video generation

wan2.2-t2v-plus

Dibandingkan model 2.1, versi baru ini secara signifikan meningkatkan detail gambar dan stabilitas gerakan. Kecepatan generasi 50% lebih cepat. Text-to-video

wan2.2-t2i-flash, wan2.2-t2i-plus

Versi baru ini merupakan peningkatan besar terhadap model 2.1. Model ini lebih kreatif, stabil, dan realistis. Gambar dihasilkan 50% lebih cepat. Text-to-image

wan2.1-t2i-turbo, wan2.1-t2i-plus

Menghasilkan gambar dari satu kalimat. Model ini menghasilkan gambar dengan resolusi dan rasio aspek apa pun, hingga 2 juta piksel. Model ini tersedia dalam dua versi: turbo dan plus. Text-to-image

wan2.1-vace-plus

Model pengeditan video tujuan umum. Model ini mendukung input multimodal, menggabungkan gambar, video, dan prompt teks. Model ini dapat melakukan berbagai tugas seperti image-to-video (menghasilkan video berdasarkan subjek atau latar belakang gambar referensi) dan video repainting (mengekstraksi fitur gerakan dari video input untuk menghasilkan video baru). Pengeditan video umum

Model komersial Qwen3

qwen-plus-2025-04-28

Model open-source Qwen3

qwen3-235b-a22b, qwen3-30b-a3b, qwen3-32b, qwen3-14b, qwen3-8b

Model Qwen3 mendukung mode berpikir dan non-berpikir. Beralih antara kedua mode tersebut menggunakan parameter enable_thinking. Selain itu, kemampuan model-model Qwen3 telah sangat ditingkatkan:

1. Kemampuan inferensi: Dalam evaluasi untuk matematika, kode, dan penalaran logis, model-model ini secara signifikan mengungguli QwQ dan model non-penalaran lainnya dengan ukuran serupa, mencapai tingkat kinerja industri teratas.

2. Penyelarasan preferensi manusia: Kemampuan untuk penulisan kreatif, bermain peran, percakapan multi-turn, dan mengikuti instruksi sangat ditingkatkan. Kemampuan umumnya secara signifikan melebihi model dengan ukuran serupa.

3. Kemampuan agen: Model mencapai kinerja terdepan di industri dalam mode penalaran dan non-penalaran. Model dapat memanggil alat eksternal secara akurat.

4. Kemampuan multibahasa: Model mendukung lebih dari 100 bahasa dan dialek. Kemampuan untuk terjemahan multibahasa, pemahaman instruksi, dan penalaran akal sehat ditingkatkan secara signifikan.

5. Perbaikan format respons: Versi ini memperbaiki masalah format respons dari versi sebelumnya, seperti Markdown abnormal, pemotongan tengah kalimat, dan output boxed yang salah.

Untuk informasi lebih lanjut tentang mode berpikir, lihat Pemikiran mendalam. Untuk informasi lebih lanjut tentang mode non-berpikir, lihat Ikhtisar generasi teks.

wan2.1-t2v-turbo, wan2.1-t2v-plus

• Menghasilkan video dari satu kalimat.

• Model ini secara akurat mengikuti instruksi, mendukung gerakan besar dan kompleks, serta mensimulasikan fisika dunia nyata. Video yang dihasilkan menampilkan gaya artistik yang kaya dan kualitas sinematik. Wan text-to-video.

wan2.1-kf2v-plus, wan2.1-i2v-turbo, wan2.1-i2v-plus,

• Menghasilkan video dinamis dan mulus dari gambar frame awal dan akhir berdasarkan prompt. Image-to-video: Start and end frames

• Menghasilkan video dari gambar frame awal dan prompt. Image-to-video: Start frame.

qwen-mt-plus

qwen-mt-turbo

• Model Qwen-MT adalah model bahasa besar untuk terjemahan mesin yang dioptimalkan berdasarkan model Qwen. Model ini unggul dalam terjemahan antara Tiongkok dan Inggris, Tiongkok dan bahasa minoritas, serta Inggris dan bahasa minoritas. Bahasa minoritas mencakup 26 bahasa seperti Jepang, Korea, Prancis, Spanyol, Jerman, Portugis (Brasil), Thailand, Indonesia, Vietnam, dan Arab. Selain terjemahan multibahasa, model ini mendukung fitur seperti intervensi terminologi, prompting domain, dan memori terjemahan untuk meningkatkan kualitas terjemahan dalam skenario kompleks. Lihat Mesin terjemahan (Qwen-MT).

glm-5.3

glm-5.3 kini tersedia dengan cakupan penerapan Amerika Serikat di wilayah AS (Virginia), mendukung pembuatan teks, penalaran, Function Calling, output terstruktur, dan cache konteks, dengan jendela konteks 1M token.

qwen-flash-character

Seri Model Role-Playing Qwen dirancang khusus untuk skenario interaksi antropomorfis multi-bahasa. Model ini menunjukkan kemampuan lanjutan dalam pemeliharaan konsistensi karakter, perkembangan dialog berbasis konteks, dan keterlibatan empatik, memungkinkan perwujudan karakter personalisasi yang mendalam.

wan2.6-i2v-us

Model ini menambahkan fitur narasi multi-shot. Model ini mendukung audio melalui dubbing otomatis atau menggunakan file audio kustom. Lihat Wan - image-to-video - based on the first frame.

wan2.6-t2v-us

Model ini menambahkan fitur narasi multi-shot. Model ini mendukung audio melalui dubbing otomatis atau menggunakan file audio kustom. Lihat Wan - text-to-video.

qwen3-asr-flash-us, qwen3-asr-flash-2025-09-08-us

Mendukung audio dengan laju sampel dan saluran suara apa pun. Lihat Pengenalan file audio - Qwen.

qwen-audio-3.1-tts-plus

Qwen-Audio-3.1-TTS-Plus adalah model text-to-speech profesional berkualitas tinggi untuk suara premium dan pembuatan konten. Model ini mendukung berbagai bahasa dan dialek, sintesis ucapan streaming, instruksi bebas, serta tag terperinci untuk mengontrol emosi, nada, karakter, kecepatan bicara, dan volume. Untuk kloning suara, model ini lebih tangguh terhadap derau dan gema pada audio referensi, sehingga meningkatkan kualitas, kejernihan, dan ekspresi audio. Versi Plus mengutamakan kualitas dan resolusi audio untuk kebutuhan profesional, seperti suara merek, produksi konten audio, sulih suara film dan televisi, serta pemeranan karakter.

qwen-audio-3.1-tts-flash

Qwen-Audio-3.1-TTS-Flash adalah model sintesis ucapan untuk interaksi waktu nyata. Model ini mendukung sintesis ucapan streaming dan berbagai suara sistem untuk asisten suara, percakapan waktu nyata, dan layanan pelanggan.

qwen-audio-3.1-tts-next

Qwen-Audio-3.1-TTS-Next adalah model AudioGen yang dirancang untuk generasi audio terpadu. Melampaui sistem TTS konvensional yang hanya berfokus pada sintesis ucapan, model ini dapat menghasilkan konten audio lengkap dalam satu kali proses dari input seperti teks, stempel waktu, dan audio referensi, menggabungkan ucapan, efek suara, suara latar, dan lainnya secara mulus. Model ini mendukung berbagai tugas, termasuk TTS multibahasa, ucapan pembicara tunggal, dialog multi-pembicara, podcast, lanskap suara sinematik, audio latar, dan efek suara. Keunggulan utamanya meliputi ucapan yang lebih alami dan ekspresif, identitas suara yang konsisten, kontrol waktu yang fleksibel, dan generasi lanskap suara berkualitas tinggi. Kemampuan ini menjadikannya sangat cocok untuk pembuatan konten, video pendek, podcast, produksi film dan televisi, audio game, dan skenario pembuatan audio profesional lainnya.

qwen-audio-3.1-asr-flash-message

Qwen-Audio-3.1-ASR-Flash-Message adalah model pengenalan ucapan generatif yang dioptimalkan untuk pesan suara, input suara, dan skenario perusahaan. Model ini mendukung bahasa Mandarin, Inggris, dan bahasa lainnya, dengan optimalisasi untuk bahasa Indonesia, Jepang, Thai, Filipina, Vietnam, Korea, dan Melayu. Model ini mendukung transkripsi streaming inkremental, kata panas P0/P1, normalisasi teks, pengenalan yang diinformasikan oleh transkrip sebelumnya dan konteks bisnis, serta pemolesan teks asli opsional. Model ini meningkatkan stabilitas pengenalan dengan beberapa pembicara, percakapan latar belakang, audio medan jauh, dan kebisingan lingkungan. Model ini mendukung deteksi bahasa otomatis atau bahasa target yang ditentukan, dan dapat mentranskripsikan dialek Tiongkok sebagaimana diucapkan atau mengubahnya menjadi teks Mandarin standar.

qwen-audio-3.1-asr-flash-streaming

Qwen-Audio-3.1-ASR-Flash-Streaming adalah model pengenalan ucapan waktu nyata end-to-end yang dirancang untuk skenario seperti konferensi waktu nyata, subtitle langsung, dan interaksi cerdas. Model ini memiliki latensi rendah dan akurasi tinggi dalam transkripsi ucapan streaming. Model ini mendukung pengenalan dialek Tiongkok multibahasa dan multi-wilayah, peralihan mulus antara bahasa Tiongkok dan Inggris, peningkatan kata panas dan konteks, prediksi tanda baca, serta normalisasi teks. Model ini juga menunjukkan ketahanan noise yang kuat dan dapat beradaptasi dengan lingkungan akustik yang kompleks. Selain itu, versi ini mendukung output ASR/AST yang dapat dikontrol untuk berbagai dialek.

qwen-audio-3.1-asr-flash

Qwen-Audio-3.1-ASR-Flash adalah model berskala besar yang mendukung pengenalan ucapan pendek yang efisien, dirancang untuk skenario transkripsi konten berkualitas tinggi, multibahasa, dan budaya. Model ini mendukung pengenalan dialek Tiongkok multibahasa dan multi-wilayah, serta dioptimalkan untuk ritme, intonasi, dan ekspresi bahasa Tiongkok klasik dari puisi Tiongkok kuno. Model ini memiliki kemampuan peningkatan konteks, prediksi tanda baca, dan normalisasi teks. Versi ini juga mendukung output ASR/AST yang dapat dikontrol untuk berbagai dialek. Model ini mencakup kemampuan transkripsi dan penyempurnaan asli, serta kemampuan transkripsi berbasis peran dialog multi-orang tingkat industri.

qwen-audio-3.1-asr-flash-filetrans

Qwen-Audio-3.1-ASR-Flash-Filetrans adalah model pengenalan ucapan offline end-to-end yang dirancang untuk skenario seperti transkripsi rapat, produksi konten, dan analisis panggilan. Model ini mendukung pengenalan dialek Tiongkok multibahasa dan multi-wilayah. Model ini memiliki kemampuan transkripsi presisi tinggi, peningkatan kata panas dan konteks, pemisahan pembicara, prediksi tanda baca, dan normalisasi teks. Model ini mempertahankan kinerja yang stabil bahkan di lingkungan yang bising dan kompleks, menjadikannya pilihan utama untuk transkripsi audio panjang. Versi ini juga mendukung keluaran ASR/AST yang dapat dikontrol untuk berbagai dialek.

wan2.7-videoedit

Model video editing Wan 2.7 mendukung editing berbasis instruksi dan migrasi video. Model ini dapat memodifikasi bagian video atau seluruh frame, serta mendukung penggantian referensi multi-gambar dan replikasi gerakan, efek, serta pergerakan kamera. Wan2.7 - video editing

wan2.7-i2v

Model image-to-video Wan 2.7 mendukung input multimodal, termasuk teks, gambar, audio, dan video. Model ini menjalankan tiga tugas utama: menghasilkan video dari frame pertama, menghasilkan video dari frame pertama dan terakhir, dan kelanjutan video. Wan2.7 - image-to-video

wan2.7-t2v

Model text-to-video Wan 2.7 menambahkan tingkat resolusi baru dan pengaturan rasio aspek kustom. Ini memungkinkan adaptasi fleksibel untuk berbagai skenario kreatif dan kebutuhan penerbitan platform. Wan - text-to-video

wan2.7-r2v

Model reference-to-video Wan 2.7 mendukung referensi subjek dan kustomisasi suara. Model ini dapat menghasilkan video berbasis naskah langsung dari satu gambar storyboard multi-panel. Wan - reference-to-video

qwen3.6-plus, qwen3.6-plus-2026-04-02

Qwen3.6-Plus dengan peningkatan signifikan dalam kemampuan coding (Agentic Coding, pemrograman frontend, dll.) dan pengalaman Vibe Coding yang sangat ditingkatkan. Penalaran tujuan umum semakin ditingkatkan. Kemampuan multimodal termasuk pengenalan universal, OCR, dan lokalisasi objek ditingkatkan secara signifikan. Masalah yang diketahui dari rilis Qwen3.5-Plus juga diperbaiki. Penggunaan identik dengan qwen3.5-plus. Ikhtisar generasi teks

wan2.7-image-pro, wan2.7-image

Model generasi dan pengeditan gambar Wan 2.7 mendukung teks-ke-gambar, teks-ke-set-gambar, gambar-ke-set-gambar, pengeditan gambar, generasi dengan banyak referensi gambar, dan pengeditan interaktif, dengan peningkatan kinerja dalam rendering teks, konsistensi subjek, dan mengikuti instruksi kompleks. Seri Pro mendukung output 4K; versi akselerasi menyeimbangkan kualitas dan kecepatan respons. Wan - image generation and editing 2.7

qwen3.5-omni-plus, qwen3.5-omni-plus-2026-03-15, qwen3.5-omni-flash, qwen3.5-omni-flash-2026-03-15

Model omni-modal. Model ini mendukung analisis video panjang, notulen rapat, output subtitle, audit keamanan, dan interaksi audio-video. Model ini juga mendukung pemahaman mendalam dan pembuatan deskripsi untuk konten audio dan video, mengenali 113 bahasa, dan menghasilkan audio dalam 36 bahasa. Model ini dapat memproses input audio hingga 3 jam dan video hingga 1 jam, serta mendukung pencarian web dan instruksi untuk mengontrol volume, kecepatan, dan emosi output audio. Non-real-time (Qwen-Omni)

qwen3.5-omni-plus-realtime, qwen3.5-omni-plus-realtime-2026-03-15, qwen3.5-omni-flash-realtime, qwen3.5-omni-flash-realtime-2026-03-15

Model multimodal real-time dari Qwen. Dibandingkan generasi sebelumnya Qwen3-Omni-Flash-Realtime, model ini menampilkan peningkatan kecerdasan yang signifikan dan setara dengan Qwen3.5-Plus. Model ini secara native mendukung pencarian web (WebSearch), interupsi suara, dan kontrol suara. Model ini mengenali 113 bahasa dan dialek, serta menghasilkan ucapan dalam 36 bahasa dan dialek. Real-time (Qwen-Omni-Realtime)

MiniMax-M2.5

Model baru dari MiniMax, menampilkan kecepatan respons cepat dan unggul dalam tugas seperti pemrograman dan pekerjaan kantor. Penggunaan

fun-asr-realtime-2026-02-28

Fun-ASR real-time speech recognition menambahkan model snapshot baru, yang menunjukkan kinerja lebih baik dibandingkanfun-asr-realtime-2025-11-07. Real-time speech recognition - Fun-ASR/Gummy/Paraformer

qwen-image-2.0, qwen-image-2.0-2026-03-03, qwen-image-2.0-pro, qwen-image-2.0-pro-2026-03-03

Seri Qwen-Image2.0 mendukung generasi dan pengeditan gambar. Seri Pro menawarkan kemampuan yang lebih kuat dalam rendering teks, tekstur realistis, dan pemahaman semantik. Versi akselerasi menyeimbangkan performa dengan kecepatan respons. Qwen - text-to-image, Qwen - image editing

cosyvoice-v3.5-plus, cosyvoice-v3.5-flash

Model CosyVoice3.5 dirilis. Model ini berfokus pada kloning suara dan desain, serta mendukung kendali instruksi untuk sintesis ucapan. Real-time speech synthesis - CosyVoice

qwen3.5-flash, qwen3.5-flash-2026-02-23, qwen3.5-122b-a10b, qwen3.5-27b, qwen3.5-35b-a3b

Model Qwen3.5-Flash dan model open source dari Alibaba. Model-model ini mendukung input teks, gambar, dan video, memberikan respons cepat, serta mencapai kinerja keseluruhan yang mendekati qwen3.5-plus. Model-model ini juga mendukung tool calling bawaan. Text generation overview

glm-5

Model Zhipu, dirancang untuk skenario pemrograman dan agen, unggul dalam rekayasa sistem kompleks dan tugas agen jangka panjang. GLM

qwen3.5-plus, qwen3.5-plus-2026-02-15, qwen3.5-397b-a17b

Model Qwen3.5-Plus dan model open source dari Alibaba. Model-model ini mendukung input teks, gambar, dan video serta memberikan kinerja luar biasa di berbagai tugas seperti pemahaman bahasa, penalaran logis, generasi kode, tugas agen, pemahaman gambar, pemahaman video, dan interaksi antarmuka pengguna grafis (GUI). Model-model ini juga mendukung tool calling bawaan. Ikhtisar generasi teks

fun-asr-flash-8k-realtime, fun-asr-flash-8k-realtime-2026-01-28

Model ASR ringan baru berbasis arsitektur Fun-ASR, dioptimalkan untuk skenario 8 kHz dan cocok untuk pelanggan yang sensitif terhadap biaya. Real-time speech recognition - Fun-ASR/Gummy/Paraformer

wan2.6-r2v-flash

Menghasilkan video multi-shot dengan dubbing otomatis, menggunakan penampilan karakter dari video referensi atau gambar. Wan - Reference-to-Video

kimi-k2.5

Model pemahaman visual dari Moonshot AI yang unggul dalam tugas kecerdasan umum seperti generasi kode dan pemahaman visual. Model ini mendukung input gambar, video, dan teks, serta dapat melakukan tugas dialog dan agen. Kimi - Alibaba Cloud

qwen3-asr-flash-filetrans

Seri Qwen3-ASR-Flash-Filetrans kini mendukung timestamp tingkat kata. Atur parameter baru enable_words untuk mendapatkan informasi alignment kata dan karakter tingkat milidetik serta mengalami segmentasi kalimat yang lebih tepat secara semantik dan detail halus. Audio file recognition - Qwen

wan2.6-i2v-flash

Mendukung pembuatan video dengan dan tanpa suara. Kedua jenis video tersebut ditagih secara independen sesuai aturan penagihan masing-masing. Model ini juga menyediakan kemampuan narasi multi-shot dan pemrosesan audio. Wan - Image-to-video - based on first frame

wan2.2-kf2v-flash

Berdasarkan prompt dan frame awal serta akhir input, model ini dapat menghasilkan video dinamis yang mulus. First-and-last-frame-to-video

qwen3-asr-flash

Qwen3-ASR-Flash mendukung mode kompatibel OpenAI. Audio file recognition - Qwen

cosyvoice-v3-flash

Sintesis ucapan CosyVoice menambahkan 24 suara baru (lihat Daftar suara):

• Dialek: Long Jiayi, Long Laotie

• Pemasaran luar negeri: loongkyong, loongtomoka

• Pembacaan puisi: Long Fei

• Asisten suara: Long Xiaochun, Long Xiaoxia, YUMI

• Teman sosial: Long Cheng, Long Ze, Long Zhe, Long Yan, Long Xing, Long Tian, Long Wan, Long Qiang, Long Feifei, Long Hao

• Audiobook: Long Sanshu, Long Yuan, Long Yue, Long Xiu, Long Nan

• Laporan berita: Long Shu

z-image-turbo

Model text-to-image ringan yang dengan cepat menghasilkan gambar berkualitas tinggi. Model ini mendukung rendering bilingual dalam bahasa Tiongkok dan Inggris, pemahaman semantik kompleks, berbagai gaya dan tema, serta adaptasi fleksibel terhadap berbagai resolusi dan rasio aspek. Text-to-image Z-Image

qwen3-asr-flash-filetrans, qwen3-asr-flash

Pengenalan ucapan kini mendukung 9 bahasa tambahan, termasuk Ceko dan Denmark. Audio file recognition - Qwen

qwen3-asr-flash-realtime

Pengenalan ucapan kini didukung dalam sembilan bahasa tambahan, termasuk Ceko dan Denmark. Real-time speech recognition - Qwen

qwen3-asr-flash

Mendukung audio dengan laju sampel dan saluran suara apa pun. Audio file recognition - Qwen

qwen3-tts-vd-realtime-2025-12-16 (snapshot)

Model snapshot baru untuk sintesis ucapan real-time Qwen menggunakan suara yang dihasilkan oleh voice design (Qwen) untuk sintesis real-time berlatensi rendah dan stabilitas tinggi. Model ini mendukung output multibahasa, secara otomatis menyesuaikan nada berdasarkan teks, dan mengoptimalkan kinerja sintesis untuk teks kompleks. Real-time speech synthesis - Qwen

wan2.6-t2i

Antarmuka sinkron baru ditambahkan. Antarmuka ini mendukung pemilihan dimensi kustom dalam batasan luas piksel total dan rasio aspek. Wan - Text-to-image V2

wan2.6-image

Mendukung pengeditan gambar dan output campuran gambar-teks. Wan - Image Generation and Editing 2.6

wan2.6-i2v

Menambahkan fitur narasi multi-shot dan dukungan audio, sehingga Anda dapat menggunakan dubbing otomatis atau mengunggah file audio kustom. Wan - Image-to-video - based on first frame

wan2.6-r2v

Menghasilkan video multi-shot berdasarkan penampilan dan suara karakter dari video referensi. Model ini juga mendukung dubbing otomatis. Wan - Reference-to-Video

wan2.6-t2v

Menambahkan fitur narasi multi-shot, yang mendukung audio menggunakan dubbing otomatis atau file audio kustom. Text-to-Video

fun-asr

Pembaruan fitur untuk pengenalan file audio Fun-ASR:

• Menambahkan dukungan untuk pengenalan bernyanyi guna mentranskripsi lagu lengkap. Lihat Audio file recognition - Fun-ASR/Paraformer/SenseVoice.

cosyvoice-v3-flash, cosyvoice-v3-plus

• Kini model cosyvoice-v3-flash mencakup lima suara sistem baru: longanrou_v3, longyingjing_v3, longyingling_v3, longanling_v3, dan longhan_v3. Semua suara ini mendukung fitur timestamp dan SSML. Lihat Daftar suara.

• Fitur kloning suara untuk model cosyvoice-v3-flash dan cosyvoice-v3-plus telah ditingkatkan. Fitur ini kini mendukung timestamp dan SSML, serta menyediakan prosodi yang lebih baik. Untuk mencoba peningkatan ini, buat suara baru. Lihat CosyVoice voice cloning/design API.

qwen3-omni-flash-realtime-2025-12-01

Model snapshot untuk versi real-time Qwen Omni menawarkan interaksi multimodal berlatensi rendah. Jumlah timbre yang didukung meningkat menjadi 49, dan kemampuan mengikuti instruksi serta pengalaman interaktif model ditingkatkan secara signifikan. Real-time (Qwen-Omni-Realtime)

qwen3-livetranslate-flash, qwen3-livetranslate-flash-2025-12-01

Qwen3-LiveTranslate-Flash adalah model terjemahan audio dan video yang menerjemahkan antara 18 bahasa, seperti Tiongkok, Inggris, Rusia, dan Prancis. Model ini menggunakan konteks visual untuk meningkatkan akurasi terjemahan dan menyediakan output teks maupun ucapan. Audio and video file translation - Qwen

qwen-mt-lite

Model dasar terjemahan teks Qwen mendukung terjemahan antara 31 bahasa. Dibandingkan qwen-mt-flash, model ini memberikan respons lebih cepat dengan biaya lebih rendah, sehingga cocok untuk skenario yang sensitif terhadap latensi. Kemampuan terjemahan (Qwen-MT)

qwen-voice-enrollment

Qwen merilis model kloning suara. Model ini dapat dengan cepat menghasilkan suara yang sangat mirip dari klip audio selama 5 detik atau lebih. Model ini model ini dapat mengkloning suara seseorang dengan fidelitas tinggi dan mengeluarkannya secara real time dalam 11 bahasa. Voice cloning (Qwen)

qwen3-tts-vc-realtime-2025-11-27 (snapshot)

Sintesis ucapan real-time Qwen telah merilis model snapshot baru yang menyediakan sintesis real-time berlatensi rendah dan stabilitas tinggi menggunakan suara yang dihasilkan oleh voice cloning (Qwen). Model ini juga mendukung output multibahasa, secara otomatis menyesuaikan intonasi berdasarkan teks, dan mengoptimalkan sintesis untuk teks kompleks. Real-time speech synthesis - Qwen

qwen3-tts-flash-realtime-2025-11-27 (snapshot)

Sintesis ucapan real-time Qwen merilis model snapshot baru. Model ini menawarkan latensi rendah dan stabilitas tinggi. Model ini menyediakan lebih banyak pilihan suara, dan satu suara dapat mendukung output multibahasa. Model ini secara otomatis menyesuaikan intonasinya berdasarkan teks dan meningkatkan sintesis untuk teks kompleks. Real-time speech synthesis - Qwen

qwen3-tts-flash-2025-11-27 (snapshot)

Sintesis ucapan Qwen merilis model snapshot baru. Model ini menawarkan lebih banyak pilihan suara, dan satu suara mendukung output multibahasa. Model ini secara otomatis menyesuaikan nadanya dengan teks dan menyediakan sintesis yang dioptimalkan untuk teks kompleks. Speech synthesis - Qwen

qwen-vl-ocr-2025-11-20 (snapshot)

Versi snapshot dari model ekstraksi teks Qwen ini dibangun di atas arsitektur Qwen3-VL dan secara signifikan meningkatkan parsing dokumen dan lokalisasi teks. Ekstraksi teks

qwen3-asr-flash-filetrans, qwen3-asr-flash-filetrans-2025-11-17 (snapshot)

Pengenalan File Audio Qwen merilis model baru. Model ini dirancang untuk transkripsi asinkron file audio dan mendukung rekaman hingga 12 jam. Audio file recognition - Qwen

cosyvoice-v3-flash

Versi ini meningkatkan akurasi pengucapan dan kemiripan suara dibandingkan versi sebelumnya. Model ini juga mendukung lebih banyak bahasa, termasuk Jerman, Spanyol, Prancis, Italia, dan Rusia. Real-time speech synthesis - CosyVoice/Sambert

qwen-mt-flash

model ini mendukung output inkremental streaming dan memiliki peningkatan kinerja keseluruhan. Kemampuan terjemahan (Qwen-MT)

wan2.2-animate-mix

Mengganti karakter utama dalam video referensi dengan karakter dari gambar input, sekaligus mempertahankan adegan, pencahayaan, dan nada video asli untuk mencapai penggantian karakter yang mulus. Wan - Video character replacement

wan2.2-animate-move

Memindahkan gerakan dan ekspresi karakter dari video template ke gambar karakter statis tunggal untuk menghasilkan video karakter dalam gerak. Wan - Image-to-action

qwen3-asr-flash-realtime

Model speech recognition real-time Qwen memiliki fitur deteksi bahasa otomatis. Model ini dapat mengenali 11 jenis bahasa dan mentranskripsi audio secara akurat di lingkungan kompleks. Real-time speech recognition - Qwen

qwen3-vl-plus

Seri model pemahaman visual Qwen3 secara efektif menggabungkan mode berpikir dan non-berpikir, dan kemampuan agen visualnya bersifat kelas dunia. Versi ini menampilkan peningkatan komprehensif dalam pengkodean visual, kecerdasan spasial, dan pemikiran multimodal. Persepsi dan pengenalan visualnya secara signifikan ditingkatkan. Pemahaman gambar dan video

Models

Ini adalah rilis pertama di wilayah Beijing.

qwen-plus, qwen-plus-2025-12-01

Model ini merupakan bagian dari seri Qwen3 dan merupakan peningkatan dari qwen-plus-2025-07-28. Dalam mode berpikir, model ini mengikuti instruksi lebih baik dan memberikan ringkasan yang lebih ringkas. Lihat Deep thinking. Dalam mode non-berpikir, pemahaman bahasa Tiongkok dan penalaran logisnya ditingkatkan. Lihat Ikhtisar generasi teks.

qwen3.5-flash, qwen3.5-flash-2026-02-23

Ini adalah model open source dari Alibaba, Qwen3.5-Flash. Model ini mendukung input teks, gambar, dan video, memberikan respons cepat. Lihat Ikhtisar generasi teks.

qwen3-vl-plus

Model pemahaman visual seri Qwen3 ini secara efektif mengintegrasikan mode berpikir dan non-berpikir. Kemampuan agen visualnya termasuk yang terbaik di dunia. Versi ini mencakup peningkatan komprehensif terhadap pengkodean visual, kecerdasan spasial, dan pemikiran multimodal. Model ini menampilkan peningkatan signifikan dalam persepsi dan pengenalan visual, pengikutan instruksi yang lebih baik, dan latensi lebih rendah. Lihat Pemahaman gambar dan video.

qwen-plus, qwen-plus-2025-12-01

Ini adalah model seri Qwen3. Dibandingkan qwen-plus-2025-07-28, model ini menawarkan pengikutan instruksi yang lebih baik dalam mode berpikir dan memberikan respons ringkasan yang lebih ringkas. Lihat Deep thinking. Dalam mode non-berpikir, pemahaman bahasa Tiongkok dan penalaran logisnya ditingkatkan. Lihat Ikhtisar generasi teks.

qwen3.5-flash, qwen3.5-flash-2026-02-23

Qwen3.5-Flash adalah model open source dari Alibaba. Model ini mendukung input teks, gambar, dan video serta memberikan respons cepat. Lihat Ikhtisar generasi teks.

qwen3-vl-plus

Model pemahaman visual seri Qwen3 ini secara efektif mengintegrasikan mode berpikir dan non-berpikir. Kemampuan agen visualnya bersifat kelas dunia. Versi ini mencakup peningkatan utama dalam pengkodean visual, kecerdasan spasial, dan pemikiran multimodal. Model ini menampilkan peningkatan besar dalam persepsi dan pengenalan visual, pengikutan instruksi yang lebih baik, dan latensi lebih rendah. Lihat Pemahaman gambar dan video.

deepseek-v4-flash-0731

Model MoE ringan dan efisien dengan 284 miliar parameter total dan 13 miliar parameter aktif, yang secara native mendukung konteks hingga satu juta token. Model menawarkan inferensi cepat, latensi rendah, biaya pemanggilan yang hemat, dan kinerja keseluruhan yang seimbang. Dirancang untuk beban kerja ringan dengan konkurensi tinggi, model cocok untuk percakapan sehari-hari, pembuatan konten, aplikasi RAG dasar, dan pemrosesan teks secara batch.

happyhorse-1.1-i2v

HappyHorse-1.1-I2V mendukung pembuatan video dari gambar dengan peningkatan kualitas visual, gerakan dinamis, dan konsistensi antar-klip. Model memahami gambar input dan mempertahankan maksud kreatif dengan lebih akurat, serta meningkatkan realisme tekstur kulit, konsistensi identitas karakter antar-klip, kelancaran gerakan, stabilitas perenderan teks, dan sinkronisasi audio-visual. Hasilnya adalah video berkualitas tinggi dengan realisme, detail, dan konsistensi yang lebih baik.

happyhorse-1.1-t2v

HappyHorse-1.1-T2V mendukung pembuatan video dari teks dengan peningkatan pemahaman semantik, kontrol pengambilan gambar sinematik, dan perenderan gerakan dinamis. Model menangkap maksud kreatif dengan lebih akurat, menghasilkan video berkualitas tinggi dengan gerakan yang lebih lancar, detail yang lebih kaya, konsistensi visual yang lebih baik, serta tindakan karakter, suasana adegan, dan dinamika fisik yang lebih alami.

happyhorse-1.1-r2v

HappyHorse-1.1-R2V mendukung pembuatan video dari referensi dengan peningkatan stabilitas subjek, gaya adegan, dan konsistensi visual. Dengan dukungan hingga 9 gambar referensi, model dapat memahami dan mempertahankan maksud kreatif dengan lebih akurat, serta meningkatkan kontrol dan ekspresivitas karakter, adegan, gaya, dan gerakan sinematik.

qwen3.7-plus

qwen3.7-plus-2026-05-26

Model Plus dalam seri Qwen3.7 menawarkan efisiensi biaya, membangun kemampuan teksnya dengan peningkatan menyeluruh pada kemampuan visi-bahasa, sekaligus mempertahankan kecerdasan agen untuk pemrograman, penggunaan alat, dan alur kerja produktivitas. Kemampuan agen hibrida interaktif multimodal memungkinkan model memahami adegan dunia nyata, membaca layar dan berinteraksi dengan GUI, menghasilkan kode berdasarkan referensi visual, serta menavigasi aplikasi seluler secara menyeluruh.

deepseek-v4-pro

Model bahasa besar MoE dengan 1,6 triliun parameter total dan 49 miliar parameter aktif, yang secara native mendukung konteks hingga satu juta token. Dilatih dengan korpus besar berkualitas tinggi, model memiliki kemampuan penalaran matematis tingkat lanjut, inferensi logis kompleks, pemrograman khusus, dan analisis mendalam teks panjang, untuk penelitian ilmiah, alur kerja kantor kompleks, dan agen AI tingkat lanjut.