模型找得到，
下载更顺手。

Qwen-Audio 🤖 🤗&nbsp ｜ Qwen-Audio-Chat 🤖 🤗&nbsp &nbsp&nbsp Demo 🤖 🤗&nbsp &nbsp&nbspHomepage&nbsp ｜ &nbspPaper &nbsp🤗 Qwen-Audio (Qwen Large Audio Language Model) is the multimodal version of the large model series, Qwen (abbr. Tongyi Qianwen

Qwen-Audio 🤖 🤗&nbsp ｜ Qwen-Audio-Chat 🤖 🤗&nbsp &nbsp&nbsp Demo 🤖 🤗&nbsp &nbsp&nbspHomepage&nbsp ｜ &nbspPaper Qwen-Audio (Qwen Large Audio Language Model) is the multimodal version of the large model series, Qwen (abbr. Tongyi Qianwen), prop

Qwen2-Audio是Qwen大型音频语言模型的新系列。该模型能够接受各种音频信号输入，并根据语音指令执行音频分析或直接生成文本回复。 语音聊天：用户可以无需文本输入，直接与模型进行语音交互。 音频分析：用户可以在交互过程中同时提供音频和文本指令进行分析。

Qwen2.5-Omni是一款端到端多模态模型，能够感知文本、图像、音频和视频等多种模态，并以流式方式同时生成文本和自然语音回复。 多模态与创新架构：采用Thinker-Talker架构设计，支持同时感知多种模态并流式生成文本和语音回复。提出新型位置嵌入TMRoPE（时间对齐多模态RoPE），用于同步视频输入与音频的时间戳。 实时语音和视频对话：支持完全实时交互，可处理分块输入并即时输出。

Emu3：下一个Token预测即是一切 Emu3是一个先进的多模态模型系列，完全通过下一个Token预测进行训练。通过将图像、文本和视频 tokenize 到离散空间中，在一个混合多模态序列上从头训练单个Transformer。 图像生成：Emu3能够根据文本输入生成高质量图像，只需预测下一个视觉Token。模型自然支持灵活的分辨率和风格。

Qwen2.5-Omni-7B-GPTQ-Int4 Qwen2.5-Omni是一个端到端多模态模型，设计用于感知多种模态（包括文本、图像、音频和视频），同时以流式方式生成文本和自然语音响应。 Thinker-Talker架构：采用创新的Thinker-Talker双组件设计，Thinker负责理解多模态输入，Talker负责生成语音输出。

Qwen3-Omni-30B-A3B-Captioner 是基于 Qwen3-Omni-30B-A3B-Instruct 微调的下游音频细粒度描述模型，专门用于为任意音频输入生成详细、低幻觉的字幕描述。 该模型能够自动解析和描述各类音频内容，包括复杂的语音、环境声音、音乐和电影音效。即使在多源混合音频环境中，也能提供稳定可靠的输出。 在语音理解方面，模型能够识别多种说话者的情绪、多语言表达和层叠意图，并感知音频中的文化语境和隐含信息，实现对语音深层含义的深入理解。

Qwen2.5-Omni-7B-AWQ Qwen2.5-Omni是一款端到端多模态模型，能够感知文本、图像、音频和视频等多种模态，同时以流式方式生成文本和自然语音响应。 Thinker-Talker架构：创新性的端到端多模态架构，同时处理多种输入模态并生成文本和语音输出。

Qwen3-Omni 是原生端到端的多语言多模态基础模型，能够处理文本、图像、音频和视频，并以文本和自然语音形式提供实时流式响应。 跨模态领先性能：通过早期文本优先预训练和混合多模态训练提供原生多模态支持。在音频和音视频任务上取得优异成绩的同时，单模态文本和图像性能不退化。在36个音频/视频基准测试中取得22项SOTA，在开源模型中取得32项SOTA；语音识别、音频理解和语音对话性能与Gemini 2.5 Pro相当。

Qwen2.5-Omni 是一个端到端多模态模型，能够感知文本、图像、音频和视频等多种模态，同时以流式方式生成文本和自然语音回复。 Thinker-Talker 架构：提出一种创新的端到端多模态架构，同时处理多种输入模态并流式输出文本和语音。 TMRoPE 位置编码：提出时间对齐的多模态位置编码方法，同步视频输入与音频的时间戳。

Qwen3-Omni 是原生端到端的多语言多模态基础模型。该模型能够处理文本、图像、音频和视频，并以文本和自然语音形式提供实时流式响应。 多模态领先性能：通过早期文本优先预训练和混合多模态训练提供原生多模态支持。在保持文本和图像单模态性能不退化的情况下，在音频和音视频任务上取得优异表现。在36个音频/视频基准测试中取得22项SOTA，在开源模型中取得32项SOTA。语音识别、音频理解和语音对话性能与Gemini 2.5 Pro相当。

Qwen2-Audio-7B-Instruct Qwen2-Audio-7B-Instruct是Qwen大型音频语言模型系列的聊天模型版本，用于处理音频输入并生成文本回复。 支持两种音频交互模式：语音聊天模式下，用户无需文本输入即可直接进行语音对话；音频分析模式下，用户可同时提供音频和文本指令进行综合分析。模型能够接受各种音频信号输入，根据语音指令执行音频分析或生成文本回复。

Step-Audio-Chat是Step-Audio的多模态大型语言模型组件，拥有1300亿参数，负责理解和生成人类语音。该模型旨在无缝集成语音识别、语义理解、对话管理、语音克隆和语音生成等功能。 语音识别与理解：能够理解用户语音输入并进行语义分析 语音生成：能够生成自然流畅的语音输出

Step-Audio 2 是端到端多模态大型语言模型，专为工业级音频理解和语音对话设计，发表于 Step-Audio 2 技术报告。 高级语音和音频理解：通过理解并推理语义信息、副语言信息和非语音信息，在自动语音识别和音频理解方面表现出色。 智能语音对话：实现自然且智能的交互，在各种对话场景中根据上下文和副语言信息做出恰当回应。

Step-Audio R1.1（实时版）是 Step-Audio-R1 的重大升级版本，专为交互式语音对话设计，兼具实时响应能力和强推理能力。与传统流式语音模型不同，R1.1 实现“边说边思考”，在保持速度的同时达到高智能水平。 基于“思维节奏语音”研究，实时版采用双脑架构： 这种解耦使模型能够在语音输出的同时进行思维链推理，在处理复杂任务时保持超低延迟。

InternLM-XComposer-2.5-Reward InternLM-XComposer-2.5-Reward 是一个多模态奖励模型，基于 internlm/internlm-xcomposer2d5-7b 训练。该模型使用文本、图像和视频领域的偏好样本进行训练，能够分配与人类偏好相符的奖励分数。 VLRewardBench 评测结果：

统一的语音转文本模型，设计用于处理最长60分钟的长音频，生成包含说话人、时间戳和内容的结构化转录文本。 60分钟单次处理：接受最长60分钟的连续音频输入（64K token长度），保持全局上下文，确保整个音频期间的说话人追踪和语义连贯性。 自定义热词：支持用户提供特定名称、术语或背景信息作为热词，提升特定领域内容的识别准确率。

Gemma 是由 Google DeepMind 开发的开源模型系列。Gemma 4 是多模态模型，支持文本和图像输入（E2B、E4B 和 12B 版本额外支持音频），生成文本输出。该系列提供预训练模型和指令微调模型两种版本。 推理能力：全系列模型均具备可配置思考模式的内置推理能力。 多模态处理：支持文本、图像（含可变宽高比和分辨率支持）、视频，以及音频（E2B、E4B、12B 原生支持）。