Qwen2.5 Omni: Vê, Ouve, Fala, Escreve – Tudo em Um

A Alibaba Qwen revelou o Qwen2.5-Omni, um novo modelo emblemático da série Qwen projetado para percepção multimodal abrangente. O modelo processa texto, imagens, áudio e vídeo, gerando respostas em streaming na forma de texto ou fala natural. A arquitetura Thinker-Talker inclui um Thinker que entende a entrada e um Talker que gera fala. O modelo está disponível no Hugging Face, ModelScope, DashScope e GitHub. O Qwen2.5-Omni supera o Qwen2.5-VL-7B e o Qwen2-Audio em tarefas de áudio, é comparável em vídeo e imagens e alcança resultados de última geração no OmniBench. O modelo também demonstra alta precisão em reconhecimento de fala, tradução, compreensão de áudio e geração de fala. Os planos futuros incluem melhorar a adesão a comandos de voz e integrar mais modalidades.