跳到正文

Qwen2.5-Omni

一个模型处理文本、图像、音频与视频并生成语音

访问官网

Qwen2.5-Omni 是什么

Qwen2.5-Omni 被介绍为阿里云通义千问团队推出的新一代端到端多模态旗舰模型,专为全方位多模态感知设计,能够无缝处理文本、图像、音频和视频等多种输入形式。资料说明它通过实时流式响应同时生成文本与自然语音合成输出,并已在 Hugging Face、ModelScope、DashScope 和 GitHub 上开源开放。

你可以用它做什么

  • 无缝处理文本、图像、音频和视频等多种输入形式
  • 通过实时流式响应同时生成文本与自然语音合成输出
  • 处理分块输入并即时输出结果,适用于实时交互
  • 端到端语音指令跟随效果与文本输入处理相媲美

应用场景

  • 在智能客服场景中实时理解客户通过语音或文字提出的问题,并以自然语音和文本回答
  • 在教育领域开发互动式学习工具,把语音讲解与图像展示结合
  • 在内容创作方面根据输入的文本或图像生成相关的视频内容

上手流程

  • 访问 Qwen Chat 或 Hugging Face 等平台,选择 Qwen2.5-Omni 模型
  • 在平台上创建一个新的会话或项目,输入文本、上传图像、音频或视频文件
  • 根据需求选择输出方式,如文本生成、语音合成,并设置语音类型、输出格式等参数
  • 点击运行或生成按钮,模型将实时处理输入数据并生成结果

优点与缺点

✓ 我们认可的地方

  • 实时流式响应同时生成文本与自然语音
  • 在 Hugging Face、ModelScope、DashScope 和 GitHub 上开源开放

! 需要留意的地方

  • 所述流程从 Qwen Chat 或 Hugging Face 等平台开始
  • 生成前需要选择输出方式并设置相关参数

常见问题

支持哪些输入形式?

资料列出文本、图像、音频和视频。

模型在哪里开放?

资料列出 Hugging Face、ModelScope、DashScope 和 GitHub。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法