都市快报讯  可以像打电话或进行视频通话一样与 Qwen 聊天；也可以通过视频，用语音问问Qwen视频里是什么，甚至能识别视频中人物情绪。

今天凌晨，阿里开源大模型又上新了！

首个端到端全模态大模型通义千问Qwen2.5-Omni-7B，可以同时处理文本、图像、音频和视频等多种输入，并实时生成文本与自然语音合成输出。

在权威的多模态融合任务OmniBench等测评中，Qwen2.5-Omni刷新业界纪录，全维度远超Google的Gemini-1.5-Pro等同类模型。Qwen2.5-Omni以接近人类的多感官方式“立体”认知世界并与之实时交互，还能通过音视频识别情绪，在复杂任务中进行更智能、更自然的反馈与决策。现在，开发者和企业可免费下载商用Qwen2.5-Omni，手机等终端智能硬件也可轻松部署运行。

Qwen2.5-Omni采用了通义团队全新首创的Thinker-Talker双核架构、Position Embedding（位置嵌入）融合音视频技术、位置编码算法TMRoPE（Time-aligned Multimodal RoPE）。双核架构Thinker-Talker让Qwen2.5-Omni拥有了人类的“大脑”和“发声器”，形成了端到端的统一模型架构，实现了实时语义理解与语音生成的高效协同。

具体而言，Qwen2.5-Omni支持文本、图像、音频和视频等多种输入形式，可同时感知所有模态输入，并以流式处理方式实时生成文本与自然语音响应。

比如，站在厨房里的你可以打开视频，问问他：我今天想吃面条，但不知道怎么做，你能教教我怎么做吗？

他会像一会好朋友一样告诉你，“做家常面不难，首先你得把面条放入水里煮，水开了就下，煮个8-10分钟吧，具体看包装上的说明，然后准备些配菜，像青菜啊肉丝之类的。再就是调料啦，盐、生抽、醋这些都得有……”

得益于上述突破性创新技术，Qwen2.5-Omni在一系列同等规模的单模态模型权威基准测试中，展现出了全球最强的全模态优异性能，其在语音理解、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Audio或VL模型，且语音生成测评分数（4.51）达到了与人类持平的能力。

相较于动辄数千亿参数的闭源大模型，Qwen2.5-Omni以7B的小尺寸让全模态大模型在产业上的广泛应用成为可能。即便在手机上，也能轻松部署和应用Qwen2.5-Omni模型。当前，Qwen2.5-Omni已在魔搭社区和Hugging Face 同步开源，用户也可在Qwen Chat上直接体验。

从2023年起，阿里通义团队就陆续开发了覆盖0.5B、1.5B、3B、7B、14B、32B、72B、110B等参数的200多款「全尺寸」大模型，囊括文本生成模型、视觉理解/生成模型、语音理解/生成模型、文生图及视频模型等全模态，真正实现了让普通用户和企业都用得上、用得起AI大模型。截至目前，海内外AI开源社区中千问Qwen的衍生模型数量突破10万，超越美国Llama系列模型，是公认的全球第一开源模型。