EMOVA 是什么
EMOVA 被介绍为一个端到端处理语音、同时保持视觉-语言性能的多模态语言模型,通过语义-声学解耦的语音分词器实现情感丰富的对话。
你可以用它做什么
- 同时处理视觉与语音输入
- 控制语音的情感与音调
- 以生动的情感进行多模态交流
模型说明
- 资料描述视觉-语言基准结果
- 资料称 ASR 任务达到最先进性能
- 处理图像、文本与语音无需外部工具
优点与缺点
✓ 我们认可的地方
- 可控制情感与音调
- 资料报告视觉-语言与 ASR 基准结果
! 需要留意的地方
- 使用从官方网站开始
- 资料以研究演示为主
常见问题
名称代表什么?
资料给出全称 EMotionally Omni-present Voice Assistant。
基准表现如何?
资料称在视觉-语言基准上超越 GPT-4V 与 Gemini Pro 1.5,接近 GPT-4o。
最后评测: 2026-11-15