阿里推出的Qwen系列旗舰多模态模型,能够一站式处理文本、图像、音频、视频等多种输入,并实时生成文本和自然语音响应。 提出创新的Thinker-Talker架构和TMRoPE(时间对齐多模态RoPE)位置嵌入,同步处理视频与音频输入; 在多模态任务中表现卓越,例如在OmniBench任务中,性能超越多个开源和闭源模型,平均准确率高达56.13%; 在语音生成方面表现自然且鲁棒性强,例如在Seed-tts-eval主观自然度评估中表现优异

相关导航