Qwen 发布端到端全模态模型 Qwen2.5-Omni
Qwen 团队发布端到端全模态模型 Qwen2.5-Omni，可处理文本、图像、音频和视频输入，并以流式方式同时输出文本与自然语音。该模型采用 Thinker-Talker 架构，并提出 TMRoPE 位置嵌入来同步视频与音频时间戳，支持分块输入和即时输出的实时交互。
推荐理由：原文给出 Thinker-Talker 架构与实时语音视频交互能力，读者可据此判断端到端全模态模型的落地方式。
语音与音频
全部主题AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
最新精选
第 21–22 条 · 共 22 条Qwen Blog精选AI 评分7575
Qwen Blog精选AI 评分7171 Qwen2-Audio 发布：支持语音对话与音频分析
Qwen 团队发布 Qwen2-Audio，这是 Qwen-Audio 的下一代音频语言模型，可接受音频和文本输入并生成文本输出。它首次支持无需 ASR 模块的语音对话，并能按文本指令分析语音、声音和音乐，支持中文、英语、粤语、法语等 8 种以上语言和方言。
推荐理由：官方给出 Qwen2-Audio 的语音对话与音频分析能力、开源权重和调用示例，读者可据此判断音频语言模型的实际用法。