出品 | 51CTO技术栈（微信号：blog51cto）
Qwen Chat上新实时语音聊天 + 视频聊天了！
可以像打电话或视频通话一样与AI进行聊天，Qwen也有自己的Her了。
更更重要的是，一向大方开源的千问，直接开源了背后的模型 Qwen2.5-Omni-7B（ Apache 2.0 许可），并发布了详细的技术报告！
做了OpenAI应该干的事！
Qwen Chat:https://chat.qwenlm.ai
GitHub:https://github.com/QwenLM/Qwen2.5-Omni
目前每天有10次体验机会：
图片
图片
Qwen2.5-Omni-7B模型，它是一个 Omni（全能）模型。简单说，就是一个模型能同时理解 文本、音频、图像、视频多种输入，并且能输出文本和音频。
与类似规模的单模态模型和封闭源模型（如 Qwen2.5-VL-7B、Qwen2-Audio 和 Gemini-1.5-pro）相比，Qwen2.5-Omni 在所有模态上都表现出强劲的性能。
图片
我们看一下官方Demo案例，感受下Qwen2.5-Omni-7B的强大。
Qwen2.5-Omni-7B可以成为绘画搭子，不仅成功识别了小姐姐正在画的吉他和毛绒熊，还能给出一些建议，提出可以画一个正在弹吉他的熊，让画面更加有趣：
而且，AI还可以聆听团队成员的自我介绍，并在结束后回答“听力问题”，成功对应了特定成员的研究方向，并且还有记忆能力，可以回忆成员有没有戴眼镜等等：
目前Qwen提供了四款音色，分别是三个女声，和一款男声。
图片
评论区网友对千问的更新表达了惊喜，因为Qwen2.5-Omni-7B的开源，这周的模型发布变得更激烈、更精彩了。
图片
图片
也有网友认为，提供“虚拟女友”的音色，不符合千问通用模型的“人设”。
图片
有网友在一手体验后，感觉功能复杂，虽然有娱乐性，但从技术上看没有做到极致，因此需要继续努力。
图片
核心架构：Thinker-Talker，从思考到交流
Qwen2.5-Omni 采用 Thinker-Talker 架构。Thinker 的功能类似大脑，负责处理和理解来自文本、音频和视频模式的输入，生成高级表示和相应的文本。
Talker 的功能就像人的嘴巴，以流式方式接收由 Thinker 生成的高级表征和文本，并流畅地输出离散的语音标记。思考者是一个变形解码器，并配有音频和图像编码器，以方便信息提取。相比之下，Talker 被设计为双轨自回归变换解码器架构。
在训练和推理过程中，Talker 直接从 Thinker 接收高维表示，并共享 Thinker 的所有历史上下文信息。因此，整个架构作为一个具有凝聚力的单一模型运行，实现了端到端的训练和推理。
图片
