Wan2.5-t2v-preview是阿里通义推出的多模态生成模型，集成文生/图生视频、文生图及图像编辑功能，支持1080P/24fps输出，实现音画同步，可生成匹配人声、音效和配乐。具备运镜控制、元素一致性优化等特点，应用于广告、影视、教育等领域。

wan2.5-i2v-preview是阿里通义万相2.5系列的图生视频模型，属多模态生成模型。它采用统一框架，融合文本、图像、视频、音频生成能力，支持1080P高清视频输出，可实现音画同步，能理解运镜语言，保持元素ID一致性，支持音频驱动视频生成，适用于广告、电商、影视、教育等领域的内容创作。

qwen3-omni-flash-realtime是阿里通义千问推出的实时全模态AI模型，支持文本、图像、音视频等多模态处理，具备流式对话、中途打断等实时交互能力，可应用于语音助手、多媒体分析、智能剪辑等场景，支持119种文本语言和20种语音交互。

Qwen3-Omni-30B-A3B-Captioner是阿里开源的音频精细字幕模型，从Instruct微调而来，音频输入转文本输出，特点是详细且低幻觉的音频描述，适用于音视频内容分析、无障碍服务、智能剪辑等场景。

Qwen3-TTS-Flash-Realtime是阿里通义推出的实时文本转语音模型，首包延迟97ms，支持17种音色、10种语言及17种方言，语音自然流畅。适用于智能客服、有声读物、AI教师及影视配音等场景。

Qwen3-TTS-Flash是阿里通义推出的文本转语音模型，支持10种语言、17种音色及9种中文方言，可智能调语气，首包延迟97ms，适用于智能客服、有声创作、语音助手等场景。