7B模型搞定AI视频通话，阿里最新开源炸场，看听说写全模态打通

西风 明敏 发自 凹非寺
量子位 | 公众号 QbitAI

深夜重磅！阿里发布并开源首个端到端全模态大模型——

通义千问Qwen2.5-Omni-7B，来了。

仅靠一个一体式模型，就能搞定文本、音频、图像、视频全模态，并实时生成文本和自然语音。

堪称7B模型的全能冠军。

你的iPhone搭载的很可能就是它！

现在打开Qwen Chat，就能直接和它实时进行视频或语音交互：

话不多说，先来看一波能力展示。

在大街上同它视频通话，它能正确识别周围环境，按照你的需求为你推荐餐馆：

视频链接：https://mp.weixin.qq.com/s/VkJP89bpgZaxaKz-1wav9A

走进厨房，它又化身“智能菜谱”，一步步指导你变成大厨：

视频链接：https://mp.weixin.qq.com/s/VkJP89bpgZaxaKz-1wav9A

在多模态任务OmniBench评测中，Qwen2.5-Omni表现刷新记录拿下新SOTA，远超谷歌Gemini-1.5-Pro等同类模型。

在单模态的语音识别、翻译、音频理解、图像推理、视频理解、语音生成任务中，Qwen2.5-Omni的全维度表现也都优于类似大小的单模态模型以及闭源模型。

在seed-tts-eval语音生成基准中，Qwen2.5-Omni展现出与人类水平相当的语音合成能力。

这意味着Qwen2.5-Omni-7B能很好地和世界进行实时交互，甚至能轻松识别音视频情绪。

再来敲重点：

模型非常轻量，手机等终端都可轻松部署运行，且开源用的是宽松的Apache2.0协议，开发者、企业现在都可免费在魔搭社区或Hugging Face下载商用

Qwen2.5-Omni-7B一开源，网友直呼这才是真正的OpenAI（doge）。

网友纷纷表示可以直接拿来装到智能眼镜上了：

这可能是智能眼镜的完美模型。

7B模型的新纪录！

目前，在Qwen Chat上即可体验该模型支持的AI语音和视频通话功能。

更多实例，一起来看~

实测效果惊艳

首先，Qwen2.5-Omni-7B能胜任免费的数学家教。

它能像人类老师一样，看到题目、听懂问题，并且一步一步耐心讲解。

视频链接：https://mp.weixin.qq.com/s/VkJP89bpgZaxaKz-1wav9A

更复杂的论文它也看得懂。

只需共享屏幕，然后将论文从上至下滑动，“给它看一遍”。

它就能通俗解释论文内容。

比如PPT、网页资料等，也能找它做讲解。

而且它还有一定艺术见解，比如可以陪着你画画，然后给出指导建议。

或者听你演奏的音乐，给出更好的改进建议。

我们还进行了一手实测，在Qwen Chat上每天可使用语音和视频聊天10次。

实测中，模型能很好地理解商品界面和优惠政策。

响应速度也很快，并且会引导人类继续问下去、很有耐心。

需要注意的是，当前视频通话还只是Beta测试版，每次通话限时3分钟。

视频链接：https://mp.weixin.qq.com/s/VkJP89bpgZaxaKz-1wav9A

Hugging Face的产品负责人Jeff Boudier也第一时间上手试玩。

模型的英文能力一样出众，而且它不仅回答看到了杯子，还细致描述了杯子上的笑脸花纹。

视频链接：https://mp.weixin.qq.com/s/VkJP89bpgZaxaKz-1wav9A

首创Thinker-Talker双核架构

目前官方已放出Qwen2.5-Omni技术Blog和论文。

Qwen2.5-Omni采用通义团队首创的全新架构——Thinker-Talker双核架构

其中，Thinker就像“大脑”，负责处理和理解来自文本、音频、视频等多模态的输入信息，生成高层语义表征以及对应的文本内容。

Talker则更像“嘴巴”，以流式的方式接收由Thinker实时输出的语义表征与文本，并流畅地合成离散语音tokens。

具体来说，Thinker基于Transformer解码器架构，融合音频/图像编码器进行特征提取。

而Talker采用双轨自回归Transformer解码器设计，在训练和推理过程中直接接收来自Thinker的高维表征，并共享Thinker的全部历史上下文信息。因此，整个架构作为一个紧密结合的单一模型运行，支持端到端的训练和推理。

与此同时，团队还提出了一种新的位置编码算法TMRoPE（Time-aligned Multimodal RoPE）以及Position Embedding（位置嵌入）融合音视频技术

TMRoPE编码多模态输入的三维位置信息，即多模态旋转位置嵌入（M-RoPE），并结合绝对时间位置，通过将原始旋转嵌入分解为时间、高度和宽度三个部分实现。

另外值得一提的是，从技术层面来看，Qwen2.5-Omni和一般的视频/语音理解模型以及其相应的视频/语音对话的AI功能，也有本质性区别。

在传统语音理解大模型的人机交互场景里，一般运用 ASR（Automatic Speech Recognition，自动语音识别）技术，把人类语音转换为文字文本，随后将其交给大语言模型处理，最终生成的内容借助 TTS（Text-to-Speech，语音合成）技术转化为语音反馈给用户。

而视频理解模型是基于图片、视频进行大模型理解，并以文字形式输出反馈。

这两种模型均属于相互独立的单链路模型。在一些AI应用中，甚至会串联多个模型来实现类似功能，如此一来，链路变得更长，效率大打折扣。

Qwen2.5-Omni-7B的特点在于，它原生支持视频、图片、语音、文字等多模态输入，并能原生生成语音及文字等多模态输出

也就是说，一个模型就能通过“看”、“听”、“阅读”等多种方式来综合思考。

所以Qwen2.5-Omni得以在一系列同等规模的单模态模型权威基准测试中，拿下最强全模态性能，在语音理解、图片理解、视频理解、语音生成等领域的测评分数，均领先于专门的音频（Audio）或视觉语言（VL）模型。

抢先看到Apple Intelligence？

一个月前，阿里公开确认与苹果合作，宣布通义千问将为国行iPhone用户提供AI功能，此消息一经披露，便在科技圈引发热议。

而这次Qwen2.5-Omni开源，就是奔着端侧部署来的，7B尺寸使其具备直接嵌入手机的可行性，仿佛提前看到了Apple Intelligence，让大家看到多模态大模型上手机都能有哪些效果。

不只是苹果，据量子位了解，这种端侧部署能力已吸引超90%国产手机品牌接入通义千问，包括OPPO、vivo、荣耀、传音等，还有众多汽车品牌、AI硬件产品选择与之携手。

为啥都选通义千问？

梳理通义千问的最新发展动态，答案便不难理解。

首先，通义千问Qwen目前已稳居全球最大AI大模型族群。

仅在最近一个月的时间里，就接连推出了一系列具有竞争力的模型：推理模型Max旗舰版QwQ-Max-Preview、视频生成模型Wan 2.1、推理模型QwQ-32B、视觉语言模型Qwen2.5-VL-32B-Instruct……

实际上，2023年至今，阿里通义团队已累计开源200多款模型，涵盖从0.5B到110B全尺寸范围，模型类型覆盖文本生成、视觉理解与生成、语音理解与生成、文生图及视频模型等全模态领域，应用场景也极为丰富。

在海内外开源社区中，通义千问Qwen衍生模型数量更是一路飙升，现已超过10万，超越Llama系列。

根据Hugging Face 在2月10日发布的最新全球开源大模型榜单，排名前十的开源大模型无一例外，全部是基于通义千问Qwen开源模型二创的变体模型。

其次，阿里巴巴通过开源等一系列积极举措，成功构建起一个丰富且活跃的大模型生态。

阿里不仅将开源进行到底，更向大模型公司提供了全方位的服务支持，其中包括算力资源以及开发工具等，阿里云已成为中国大模型领域的公共AI算力底座。

截至2025年2月中旬，阿里魔搭社区ModelScope的模型总量已超4万个，服务超1000万开发者。

那么通义千问Qwen团队下一步要干啥？

期待听到您的反馈，并看到您使用Qwen2.5-Omni开发的创新应用。
在不久的将来，将着力增强模型对语音指令的遵循能力，并提升音视频协同理解能力。还将持续拓展多模态能力边界，发展全面的通用模型。

感兴趣的友友不如一起来上手试试吧~

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体验：https://modelscope.cn/studios/Qwen/Qwen2.5-Omni-Demo