Qwen2.5-Omni

想做一个能看视频、听声音、还能直接开口回答的 AI 助手，通常要拼接好几个模型，延迟高还容易出错。Qwen2.5-Omni 是阿里通义千问团队的端到端全模态模型，同时理解文字、音频、图像和视频，并实时生成语音。

它采用 Thinker-Talker 架构，支持流式语音对话，权重开源可本地部署。

软件功能

全模态理解：文字、音频、图像、视频。

实时语音：直接开口回答。

流式对话：低延迟。

开源权重：本地部署。