阿里云发布多模态旗舰模型Qwen2.5-Omni，全面支持文本、图像、音频及视频处理

阿里云今日凌晨推出新一代端到端多模态模型Qwen2.5-Omni，并在Hugging Face、ModelScope等平台开源。该模型采用创新的Thinker-Talker架构，能无缝处理文本、图像、音频和视频输入，并实时生成文本及语音输出。

Qwen2.5-Omni通过TMRoPE技术实现音视频精准同步，在实时交互与语音生成方面表现优异。测试显示，其性能超越同类单模态模型及部分封闭源模型，在OmniBench多模态任务中达到SOTA水平，同时在语音识别、翻译、图像推理等单模态任务中表现突出。

阿里云表示，Thinker模块负责多模态语义理解，Talker模块则实现流式语音合成，形成高效统一的架构。目前，模型已在多个平台开放体验。

本文 原创，转载保留链接！网址：https://licai.bangqike.com/cjnews/1094555.html