通义千问发布 Qwen2.5-Omni 端到端多模态模型,支持实时语音视频交互
通义千问发布 Qwen2.5-Omni,该系列新的端到端多模态旗舰模型,可处理文本、图像、音频、视频输入,并以流式方式同时生成文本与自然语音。模型采用 Thinker-Talker 架构,支持分块输入与即时输出的实时语音视频对话;官方称其在 OmniBench 等多模态任务上达到 SOTA,音频能力超越同尺寸 Qwen2-Audio。
通义把端到端实时语音视频交互做成开源权重模型,多模态对话能力从闭源演示变成企业可自部署的选项。
- 影响客服、语音助理等需要听说一体的场景多了一个 7B 尺寸可私有化部署的开源底座;语音自然度与稳定性目前是官方口径,自建场景效果可能存在差距,选型前需自测;权重开放也降低了供应商锁定风险。
- 参考可考虑选一个语音客服或视频问答场景做试点,把 Qwen2.5-Omni-7B 与现用闭源 API 的延迟、成本各算一遍;值得先盘点现有 GPU 资源能否承载 7B 级推理。