跳到正文

EMOVA

情感丰富的多模态语音助手模型

访问官网

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

更多 AI 音频工具 工具

查看全部 →

评测方法