7B 模型搞定 AI 视频通话，阿里最新开源炸场，看听说写全模态打通，开发者企业免费商用

深夜重磅！阿里发布并开源首个端到端全模态大模型------

通义千问 Qwen2.5-Omni-7B，来了。

仅靠一个一体式模型，就能搞定文本、音频、图像、视频全模态，并实时生成文本和自然语音。

堪称 7B 模型的全能冠军。

你的 iPhone 搭载的很可能就是它！

现在打开 Qwen Chat，就能直接和它实时进行视频或语音交互：

在大街上同它视频通话，它能正确识别周围环境，按照你的需求为你推荐餐馆。

首创 Thinker-Talker 双核架构

目前官方已放出 Qwen2.5-Omni 技术 Blog 和论文。

Qwen2.5-Omni 采用通义团队首创的全新架构------Thinker-Talker 双核架构。

其中，Thinker 就像 "大脑"，负责处理和理解来自文本、音频、视频等多模态的输入信息，生成高层语义表征以及对应的文本内容。

Talker 则更像 "嘴巴"，以流式的方式接收由 Thinker 实时输出的语义表征与文本，并流畅地合成离散语音 tokens。

具体来说，Thinker 基于 Transformer 解码器架构，融合音频 / 图像编码器进行特征提取。

而 Talker 采用双轨自回归 Transformer 解码器设计，在训练和推理过程中直接接收来自 Thinker 的高维表征，并共享 Thinker 的全部历史上下文信息。因此，整个架构作为一个紧密结合的单一模型运行，支持端到端的训练和推理。

与此同时，团队还提出了一种新的位置编码算法 TMRoPE （Time-aligned Multimodal RoPE）以及 Position Embedding （位置嵌入）融合音视频技术。

TMRoPE 编码多模态输入的三维位置信息，即多模态旋转位置嵌入（M-RoPE），并结合绝对时间位置，通过将原始旋转嵌入分解为时间、高度和宽度三个部分实现。

另外值得一提的是，从技术层面来看，Qwen2.5-Omni 和一般的视频 / 语音理解模型以及其相应的视频 / 语音对话的 AI 功能，也有本质性区别。

在传统语音理解大模型的人机交互场景里，一般运用 ASR（Automatic Speech Recognition，自动语音识别）技术，把人类语音转换为文字文本，随后将其交给大语言模型处理，最终生成的内容借助 TTS（Text-to-Speech，语音合成）技术转化为语音反馈给用户。

而视频理解模型是基于图片、视频进行大模型理解，并以文字形式输出反馈。

这两种模型均属于相互独立的单链路模型。在一些 AI 应用中，甚至会串联多个模型来实现类似功能，如此一来，链路变得更长，效率大打折扣。

Qwen2.5-Omni-7B 的特点在于，它原生支持视频、图片、语音、文字等多模态输入，并能原生生成语音及文字等多模态输出。

也就是说，一个模型就能通过 "看"、"听"、"阅读" 等多种方式来综合思考。

所以 Qwen2.5-Omni 得以在一系列同等规模的单模态模型权威基准测试中，拿下最强全模态性能，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，均领先于专门的音频（Audio）或视觉语言（VL）模型。

一个月前，阿里公开确认与苹果合作，宣布通义千问将为国行 iPhone 用户提供 AI 功能，此消息一经披露，便在科技圈引发热议。

而这次 Qwen2.5-Omni 开源，就是奔着端侧部署来的，7B 尺寸使其具备直接嵌入手机的可行性，仿佛提前看到了 Apple Intelligence，让大家看到多模态大模型上手机都能有哪些效果。

不只是苹果，据量子位了解，这种端侧部署能力已吸引超 90% 国产手机品牌接入通义千问，包括 OPPO、vivo、荣耀、传音等，还有众多汽车品牌、AI 硬件产品选择与之携手。

为啥都选通义千问？

梳理通义千问的最新发展动态，答案便不难理解。

首先，通义千问 Qwen 目前已稳居全球最大 AI 大模型族群。

仅在最近一个月的时间里，就接连推出了一系列具有竞争力的模型：推理模型 Max 旗舰版 QwQ-Max-Preview、视频生成模型 Wan 2.1、推理模型 QwQ-32B、视觉语言模型 Qwen2.5-VL-32B-Instruct......

实际上，2023 年至今，阿里通义团队已累计开源 200 多款模型，涵盖从 0.5B 到 110B 全尺寸范围，模型类型覆盖文本生成、视觉理解与生成、语音理解与生成、文生图及视频模型等全模态领域，应用场景也极为丰富。

在海内外开源社区中，通义千问 Qwen 衍生模型数量更是一路飙升，现已超过 10 万，超越 Llama 系列。

根据 Hugging Face 在 2 月 10 日发布的最新全球开源大模型榜单，排名前十的开源大模型无一例外，全部是基于通义千问 Qwen 开源模型二创的变体模型。

其次，阿里巴巴通过开源等一系列积极举措，成功构建起一个丰富且活跃的大模型生态。

阿里不仅将开源进行到底，更向大模型公司提供了全方位的服务支持，其中包括算力资源以及开发工具等，阿里云已成为中国大模型领域的公共 AI 算力底座。

截至 2025 年 2 月中旬，阿里魔搭社区 ModelScope 的模型总量已超 4 万个，服务超 1000 万开发者。

那么通义千问 Qwen 团队下一步要干啥？

期待听到您的反馈，并看到您使用 Qwen2.5-Omni 开发的创新应用。

在不久的将来，将着力增强模型对语音指令的遵循能力，并提升音视频协同理解能力。还将持续拓展多模态能力边界，发展全面的通用模型。

感兴趣的友友不如一起来上手试试吧~

**Qwen Chat：**chat.qwenlm.ai

欢迎在评论区留下你的想法！

--- 完 ---