阿里云今日凌晨推出新一代端到端多模態模型Qwen2.5-Omni，并在Hugging Face、ModelScope等平臺開源。

　　該模型采用創新的Thinker-Talker架構，能無縫處理文本、圖像、音頻和視頻輸入，并實時生成文本及語音輸出。

　　Qwen2.5-Omni通過TMRoPE技術實現音視頻精準同步，在實時交互與語音生成方面表現優異。

　　測試顯示，其性能超越同類單模態模型及部分封閉源模型，在OmniBench多模態任務中達到SOTA水平，同時在語音識別、翻譯、圖像推理等單模態任務中表現突出。

　　阿里云表示，Thinker模塊負責多模態語義理解，Talker模塊則實現流式語音合成，形成高效統一的架構。目前，模型已在多個平臺開放體驗。