（来源：量子位）
Qwen版Banana来了！
刚刚，Qwen推出了新图像编辑模型——Qwen-Image-Edit-2509。
不仅支持多图融合，提供“人物+人物”，“人物+商品”，“人物+场景” 等多种玩法，还增强了人物、商品、文字等单图一致性。
除此之外，它还原生支持ControlNet，可通过关键点图改变人物姿势，还可轻松实现换装需求。
图像编辑之余，Qwen还开源了端到端全模态模型Qwen3-omni，表现也可圈可点。既可当语音翻译助手，还能立不同的人设，甚至支持方言输出。
下面具体来看。
支持多图输入
新图像编辑的首要更新就是支持了多图输入。
先看一个“人物+人物”生成结婚照的例子。
输入两张图片：
然后，输入以下提示词：
结果闪亮登场：
不喜欢中式婚礼的也没事，我们还可以生成西式的，主打一个用户就是上帝。
再看“人物+场景”的应用，感觉可轻轻松松实现环球旅行。
令我比较惊讶的是，这还真不是简单的图像拼接，它甚至贴合场景改变了主角🎭️的神态，闭眼享受阳光的动作、躺椅上的影子，说实话，p图我都p不出来这么细。
下面轮到“人物+物体”了，我把它称为最快拥有『奢侈品』包包和豪车的方式。
此外，多图输入也支持ControlNet常用的关键点图，比如改变人物姿势。
还能在改变关键点的同时，进行换装。
除此之外，普通证件照、形象照、生活照也是so easy。
想要Banana大火的美式精英风？无论是半身还是全身照，你想要的Qwen都有。
还能进行不同的姿势编辑，俏皮、比心、举黑板都是不在话下。
基于新模型上述图像编辑能力，再加上其本身特色的文字生成能力，团队发现它还很擅长制作表情包。
当然，对于更长的文字，新模型也依然可以在保持人物一致性的前提下进行渲染。
更有意思的是，它还可以给老照片进行修复，比如给照片上色。
还可以修复破损照片。
但是，这个美颜……
除了真实人物，生成卡通玩偶、文创也是分分钟的事啦。
咦？这左下角不就是Nano Banana爆火的手办吗？Qwen新模型效果看起来也是很不错的。
1个物品太简单了，咱们再换个有14只猫的图片试一下。
哇哦，猫的数量是对的，效果也是相当可以。
除了图像方面，新模型还专门增强了文字一致性，支持了包括字体类型编辑、字体颜色编辑和字体材质编辑。
此外，它还支持定点文字编辑，细致到可将圈出来的错字进行定点修改。
效果是这样滴：
不仅如此，新模型还支持深度图控制，保持物体与场景的一致性。
哎呀，这泥泞的道路、茂盛的丛林、真实的车辙印，真的不是户外山地车的广告吗？
只有关键点也不耽误出图，无论男女、无论古代还是现代、无论什么穿着，Qwen都能统统搞定。
最后就是根据草图来控制生图，这一老一少真给人一种时光穿梭的感觉，再配个bgm氛围感直接拉满。
还有端到端全模态模型
Qwen不仅在图像编辑上表现优异，它还开源了端到端、全模态大模型Qwen3-omni，不仅能够无缝处理文本、音频、图像和视频等多种输入形式，还能边生成文字边实时合成语音。
主要特点如下所示：
跨模态的领先性能：在36项音频及音视频基准测试中，Qwen3-omni斩获32项开源SOTA与22项总体SOTA，超越Gemini-2.5-Pro、Seed-ASR、GPT-4o-Transcribe等闭源强模型，同时其图像和文本性能也在同尺寸模型中达到SOTA水平。
多语言方面：Qwen3-omni支持119种文本语言、19种语音输入语言和10种语音输出语言。
不仅是实时翻译助手，还能直接总结网页内容，然后用你所需要的语言输出。
更快响应：端到端音频对话延迟低至211ms，视频对话延迟低至507ms。
长音频：支持长达30分钟音频理解。
个性化：支持system prompt随意定制，可以修改回复风格，人设等。
比如广东幼儿园老师或是四川女汉子。
咦，那么问题来了，这些方言是否标准噻？
工具调用：支持function call，实现与外部工具/服务的高效集成。
开源通用音频Captioner：开源Qwen3-Omni-30B-A3B-Captioner，低幻觉且非常详细的通用音频caption模型，填补开源社区空白。
不仅能分析音乐风格，还能推理数学题，甚至还能当起语音助手唤醒其他应用。
这花里胡哨的功能真是令人眼花缭乱，感兴趣的读者赶紧去试试吧。
参考链接：
[1]https://huggingface.co/Qwen/Qwen-Image-Edit-2509
[2]https://qwen.ai/blog?id=7a90090115ee193ce6a7f619522771dd9696dd93&from=research.latest-advancements-list
[3]https://github.com/QwenLM/Qwen3-Omni
