通义千问全模态模型 Qwen2.5-Omni

是什么

Qwen2.5-Omni 是阿里巴巴通义千问团队开发的全模态模型（multimodal model）。它能感知文字、图片、音频和视频，并同时以文字和自然语音作出回应。Qwen2.5-Omni 被描述为一个端到端（end-to-end）的单一模型。^[1]

由来

7B 版本 Qwen2.5-Omni-7B 于 2025 年 3 月 26 日以 Apache 2.0 许可证发布，3B 版本则以 Qwen Research 许可证发布。^[2] 技术报告同日发布在 arXiv 上。^[3]

该模型建立在阿里巴巴此前的音频工作之上。Qwen-Audio 于 2023 年 11 月推出，预训练涵盖语音、自然声音、音乐和歌曲等 30 多项任务；Qwen2-Audio 于 2024 年 8 月推出。^[4][2]

主要特点

模型采用思考者—说话者（Thinker-Talker）架构。Thinker 负责生成文字，Talker 把文字转换为流式语音。

团队提出了时间对齐的多模态旋转位置编码（Time-aligned Multimodal RoPE，TMRoPE），用来把视频的时间戳与音频同步。^[1]

该模型面向实时交互设计，支持分块输入、即时输出，并提供 Chelsie 和 Ethan 两种音色。^[1]

在 OmniBench 测试中，它的平均得分为 56.13%，Gemini-1.5-Pro 在同一测试中为 42.91%。^[1] 在视觉任务上，它与 Qwen2.5-VL-7B 持平；在音频任务上，它的表现优于 Qwen2-Audio。^[1]

部分术语有助于理解其设计。端到端（end-to-end）指由一个模型完成听、懂和说的全过程，而不是在独立系统之间传递任务。全模态（multimodal）指模型同时接受多种类型的输入。流式语音是指语音在其余内容仍在生成时就开始播放，这使对话显得即时。OmniBench 是一项用于考察模型综合处理文字、图片和音频能力的测试。^[1]

许可证影响模型的再利用。Apache 2.0 是允许使用和修改的宽松开源许可证；3B 版本则以 Qwen Research 许可证发布，使用者应查阅所用版本的许可条款。^[2]

在发展中的位置

2025 年 9 月，Qwen2.5-Omni 由 Qwen3-Omni 接替。^[2]