Qwen2.5 Omni：全能模型，看、听、说、写一应俱全

阿里巴巴通义千问发布了Qwen2.5-Omni，这是Qwen系列的新旗舰模型，专为全面多模态感知设计。该模型处理文本、图像、音频和视频，以文本或自然语音形式生成流式响应。Thinker-Talker架构包含一个理解输入的Thinker和一个生成语音的Talker。该模型可在Hugging Face、ModelScope、DashScope和GitHub上获取。Qwen2.5-Omni在音频任务上超越了Qwen2.5-VL-7B和Qwen2-Audio，在视频和图像上表现相当，并在OmniBench上达到了最先进的结果。该模型在语音识别、翻译、音频理解和语音生成方面也表现出高精度。未来计划包括改进对语音命令的遵循能力并整合更多模态。