Qwen2.5-Omni是什么？

Qwen2.5-Omni 是阿里巴巴發(fā)布的Qwen 系列中的新一代端到端多模態(tài)旗艦?zāi)Ｐ汀Ｋ鼘槿轿欢嗄B(tài)感知設(shè)計(jì)，也就是可以理解文本、音頻、圖像、視頻，可以同時(shí)進(jìn)行思考和說話，并通過實(shí)時(shí)流式響應(yīng)同時(shí)生成文本與自然語音合成輸出的一個(gè)ai模型。

Qwen2.5-Omni核心特點(diǎn)

創(chuàng)新架構(gòu)：

• Thinker-Talker 架構(gòu)：Thinker 負(fù)責(zé)處理和理解來自文本、音頻和視頻模態(tài)的輸入，生成高級語義表征和對應(yīng)的文本內(nèi)容；Talker 則將這些內(nèi)容轉(zhuǎn)化為自然語音輸出。

• TMRoPE 技術(shù)：提出了一種名為 TMRoPE（Time-aligned Multimodal RoPE）的新型位置編碼技術(shù)，用于同步視頻輸入與音頻的時(shí)間戳。

實(shí)時(shí)交互：

• 支持完全實(shí)時(shí)交互，能夠處理分塊輸入并即時(shí)輸出。

自然流暢的語音生成：

• 在語音生成的自然性和穩(wěn)定性方面超越了許多現(xiàn)有的流式和非流式替代方案。

全模態(tài)性能優(yōu)勢：

• 在多模態(tài)任務(wù)（如 OmniBench）中表現(xiàn)出色，同時(shí)在單模態(tài)任務(wù)（如語音識別、翻譯、音頻理解、圖像推理、視頻理解等）中也表現(xiàn)出色。

端到端語音指令跟隨能力：

在端到端語音指令跟隨方面表現(xiàn)出與文本輸入處理相媲美的效果，在 MMLU 和 GSM8K 等基準(zhǔn)測試中表現(xiàn)優(yōu)異。

Qwen2.5-Omni架構(gòu)設(shè)計(jì)

• Thinker：類似于大腦，負(fù)責(zé)處理和理解來自文本、音頻和視頻模態(tài)的輸入，生成高級語義表征和對應(yīng)的文本內(nèi)容。

• Talker：類似于人類的嘴巴，接收 Thinker 生成的高級語義表征和文本內(nèi)容，并以流式方式輸出自然語音。

• 整體架構(gòu)：Thinker 是一個(gè) Transformer 解碼器，配備用于音頻和圖像的編碼器以提取信息。Talker 是一個(gè)雙軌自回歸 Transformer 解碼器架構(gòu)。在訓(xùn)練和推理過程中，Talker 直接接收來自 Thinker 的高維表征，并共享 Thinker 的所有歷史上下文信息，整個(gè)架構(gòu)作為一個(gè)統(tǒng)一的模型進(jìn)行端到端訓(xùn)練和推理。

Qwen2.5-Omni性能表現(xiàn)

在多模態(tài)任務(wù)（如 OmniBench）中，Qwen2.5-Omni 實(shí)現(xiàn)了最先進(jìn)的性能。

在單模態(tài)任務(wù)中，它在語音識別（Common Voice）、翻譯（CoVoST2）、音頻理解（MMAU）、圖像推理（MMMU、MMStar）、視頻理解（MVBench）和語音生成（Seed-tts-ｅｖａｌ 和主觀自然性）等方面表現(xiàn)出色。

相關(guān)鏈接

Qwen Chat：https://chat.qwenlm.ai

Hugging Face：https://huggingface.co/Qwen/Qwen2.5-Omni-7B

ModelScope：https://modelscope.cn/models/Qwen/Qwen2.5-Omni-7B

DashScope：https://help.aliyun.com/zh/model-studio/user-guide/qwen-omni

GitHub：https://github.com/QwenLM/Qwen2.5-Omni

Demo體驗(yàn)：https://modelscope.cn/studios/Qwen/Qwen2.5-Omni-Demo