3 月 27 日凌晨，阿里通义千问团队发布 Qwen 模型家族中新一代端到端全模态大模型 Qwen2.5-Omni，标志着 AI “类人化”再进一步。
【图片来源于网络，侵删】
Qwen2.5-Omni 不仅能处理文本、图像、音频、视频等多种输入，还能以流式交互实时生成文本与自然语音响应，几乎复刻了人类“接收信息-思考-表达”的全流程。也就是说，你可以和 Qwen2.5-Omni 实时进行音视频通话，随问随答。
我们先来看一个官方 Demo：
demo
【视频来源于网络，侵删】
目前Qwen2.5-Omni已经在Hugging Face、ModelScope、DashScope和 GitHub上开放，还公布了技术文档，开发者可以免费下载部署。
技术内核：像人一样“思考”与“说话”
Qwen2.5-Omni 的突破性在于 Thinker-Talker 双核架构的设计——前者如同人类大脑，负责整合多模态输入中的复杂信息，比如解析一段视频中的画面、对话和背景音乐，提炼出语义核心；后者则模拟发声器官，将处理结果转化为连贯的文本或拟人化语音，响应延迟低至毫秒级。
【图片来源于网络，侵删】
这种架构让 AI 成为一个可以实时响应、“看听说写”统统不在话下的得力助手，让工作效率提升数倍。甚至在视频会议中，实时翻译多语言也不再是幻想。
除了创新架构，Qwen2.5-Omni 还有以下特点：
-
实时音视频交互：架构旨在支持完全实时交互，支持分块输入和即时输出。
-
自然流畅的语音生成：在语音生成的自然性和稳定性方面超越了许多现有的流式和非流式替代方案。
-
全模态性能优势：在同等规模的单模态模型进行基准测试时，表现出卓越的性能。Qwen2.5-Omni在音频能力上优于类似大小的Qwen2-Audio，并与Qwen2.5-VL-7B保持同等水平。
-
卓越的端到端语音指令跟随能力：Qwen2.5-Omni在端到端语音指令跟随方面表现出与文本输入处理相媲美的效果，在MMLU通用知识理解和GSM8K数学推理等基准测试中表现优异。
性能方面，测试数据显示，Qwen2.5-Omni 在包括图像，音频，音视频等多模态综合性能已经超越谷歌 Gemini-1.5-pro 等闭源模型，并且在多模态任务 OmniBench，Qwen2.5-Omni 达到了 SOTA 的表现。此外，在单模态任务中，Qwen2.5-Omni在多个领域中表现优异，音频生成的自然度接近真人水平。
【图片来源于网络，侵删】
阿里巴巴此次的发布不仅是技术上的一大进步，更是对未来多模态 AI 应用的全新探索。
同时，这种开源普惠的模式，或许将引发一场 AI 民主化运动——技术不再是巨头的专属武器，而是成为普惠创新的基础设施。无论是开发者、企业，还是普通消费者，都可以抓住这一机遇，提升自身的竞争力和创造力。
当然，AI 的终极形态不是替代人类，而是成为延伸我们感官与思维的第六器官，在安全可控的前提下释放生产力，加速AI普惠。