出品 | 51CTO技術棧（微信號：blog51cto）

Qwen Chat上新實時語音聊天 + 視頻聊天了！

可以像打電話或視頻通話一樣與AI進行聊天，Qwen也有自己的Her了。

更更重要的是，一向大方開源的千問，直接開源了背后的模型 Qwen2.5-Omni-7B（ Apache 2.0 許可），并發布了詳細的技術報告！

做了OpenAI應該干的事！

Qwen Chat:https://chat.qwenlm.ai

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

目前每天有10次體驗機會：

圖片

圖片

Qwen2.5-Omni-7B模型，它是一個 Omni（全能）模型。簡單說，就是一個模型能同時理解 文本、音頻、圖像、視頻多種輸入，并且能輸出文本和音頻。

與類似規模的單模態模型和封閉源模型（如 Qwen2.5-VL-7B、Qwen2-Audio 和 Gemini-1.5-pro）相比，Qwen2.5-Omni 在所有模態上都表現出強勁的性能。 

圖片

我們看一下官方Demo案例，感受下Qwen2.5-Omni-7B的強大。

Qwen2.5-Omni-7B可以成為繪畫搭子，不僅成功識別了小姐姐正在畫的吉他和毛絨熊，還能給出一些建議，提出可以畫一個正在彈吉他的熊，讓畫面更加有趣：

而且，AI還可以聆聽團隊成員的自我介紹，并在結束后回答“聽力問題”，成功對應了特定成員的研究方向，并且還有記憶能力，可以回憶成員有沒有戴眼鏡等等：

目前Qwen提供了四款音色，分別是三個女聲，和一款男聲。

圖片

評論區網友對千問的更新表達了驚喜，因為Qwen2.5-Omni-7B的開源，這周的模型發布變得更激烈、更精彩了。

圖片

圖片

也有網友認為，提供“虛擬女友”的音色，不符合千問通用模型的“人設”。

圖片

有網友在一手體驗后，感覺功能復雜，雖然有娛樂性，但從技術上看沒有做到極致，因此需要繼續努力。

圖片

核心架構：Thinker-Talker，從思考到交流

Qwen2.5-Omni 采用 Thinker-Talker 架構。Thinker 的功能類似大腦，負責處理和理解來自文本、音頻和視頻模式的輸入，生成高級表示和相應的文本。

Talker 的功能就像人的嘴巴，以流式方式接收由 Thinker 生成的高級表征和文本，并流暢地輸出離散的語音標記。思考者是一個變形解碼器，并配有音頻和圖像編碼器，以方便信息提取。相比之下，Talker 被設計為雙軌自回歸變換解碼器架構。

在訓練和推理過程中，Talker 直接從 Thinker 接收高維表示，并共享 Thinker 的所有歷史上下文信息。因此，整個架構作為一個具有凝聚力的單一模型運行，實現了端到端的訓練和推理。

圖片