模型详情
模型介绍
中文整理Qwen2.5-Omni
概述
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。
主要能力
- *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。
- *自然且稳健的语音生成**：在语音生成的自然度和稳健性方面优于多数现有流式和非流式方案。
- *跨模态强大性能**：在所有模态上均展现出色性能，优于同规模的单模态模型。Qwen2.5-Omni在音频能力上超越同规模Qwen2-Audio，在视觉能力上与Qwen2.5-VL-7B相当。
- *端到端语音指令跟随**：在端到端语音指令跟随任务中表现优异，与文本输入效果相当（MMLU和GSM8K基准测试验证）。
输入输出
- *输入**：文本、图像、音频、视频
- *输出**：文本、语音（流式输出）
运行要求
- *GPU内存要求**：
- Qwen2.5-Omni-3B（BF16）：15秒视频约22.43GB，30秒视频约28.22GB
- Qwen2.5-Omni-7B（BF16）：15秒视频约41.85GB，30秒视频约60.19GB
实际内存使用通常至少为上述值的1.2倍。建议使用Flash Attention 2加速推理。
基本用法
- *音频输出提示**：如需音频输出，系统提示必须设置为："You are Qwen, a virtual human developed by the Qwen Team, Alibaba Group, capable of perceiving auditory and visual inputs, as well as generating text and speech."
- *语音类型选择**：Qwen2.5-Omni-7B支持两种语音类型：
- Chelsie（女声）：柔和丝滑、温暖明亮
- Ethan（男声）：明亮活泼、热情亲切
可通过generate函数的speaker参数指定语音类型，默认语音为Chelsie。
- *音频输出控制**：如无需音频输出，可在模型初始化后调用model.disable_talker()，可节省约2GB GPU内存。生成时设置return_audio=False可仅获取文本回复。
- *视频音频使用**：多模态交互中，视频通常伴随音频。可通过参数设置决定是否使用视频中的音频。多轮对话中各轮该参数需保持一致。
限制
- 模型仅支持torch.float16或torch.bfloat16精度下使用Flash Attention 2
- 非Linux系统可能无法从PyPI安装decord，需使用torchvision处理视频
- 视频URL兼容性取决于第三方库版本
许可证
请查阅项目官方文档获取完整的许可证信息。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。