Qwen2.5 Omni：見て、聞いて、話して、書く——すべてを1つに

阿里巴巴的Qwen发布了Qwen2.5-Omni，这是Qwen系列中一款面向全面多模态感知的新旗舰模型。该模型能够处理文本、图像、音频和视频，并以文本或自然语音的形式生成流式响应。其Thinker-Talker架构包含一个负责理解输入的Thinker和一个生成语音的Talker。该模型已在Hugging Face、ModelScope、DashScope和GitHub上开放。Qwen2.5-Omni在音频任务上优于Qwen2.5-VL-7B和Qwen2-Audio，在视频和图像方面表现相当，并在OmniBench上达到了最先进水平。该模型在语音识别、翻译、音频理解和语音生成方面也展现出高精度。未来计划包括改进对语音指令的遵循能力以及集成更多模态。