阿里开源多模态全能王 Qwen2.5-Omni：创新Thinker-Talker架构，全面超越Gemini-1.5-Pro等竞品

2025-03-28 521

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

图像搜索，任选一个服务类型 1个月

简介： 阿里开源Qwen2.5-Omni多模态大模型，支持文本、图像、音频和视频输入，具备实时语音合成与流式响应能力，在OmniBench等基准测试中全面超越Gemini-1.5-Pro等竞品，提供免费商用授权。

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

🎭 「别让AI当偏科生！通义千问让模型眼耳口脑全打通」

大家好，我是蚝油菜花。这些多模态交互的魔幻现场你是否经历过——

👉 开会录屏让AI做纪要，结果字幕和PPT内容完美错位
👉 用语音问「图片里的裙子链接」，AI回答「已为您播放周杰伦《七里香》」
👉 视频客服同时处理文字+语音+画面时，CPU燃烧到能煎鸡蛋...

今天要重塑人机交互的 Qwen2.5-Omni ，正在重写智能边界！阿里这剂十全大补丸：

✅ 「感官全开」：文本/图像/语音/视频四模态同步处理，比人类感官还多一维
✅ 流式神经网：生成响应比眨眼快3倍，直播级实时对话
✅ 时空矫正术：TMRoPE编码让音画同步误差小于人类感知阈值

已有企业用它做跨国会议同传，主播靠AI实现跨模态带货——你的交互界面，是时候进化成「数字六边形战士」了！

🚀 快速阅读

Qwen2.5-Omni是阿里开源的多模态大模型最新力作。

核心功能：支持文本/图像/音频/视频输入，实时语音合成输出
技术原理：独创Thinker-Talker架构+TMRoPE位置编码，三阶段训练策略

Qwen2.5-Omni 是什么

Qwen2.5 Omni-cover

Qwen2.5-Omni 是阿里通义千问系列的最新旗舰多模态模型，拥有70亿参数规模。作为端到端的全能感知模型，它能同时处理文本、图像、音频和视频输入，并通过流式生成技术实现实时文本与语音输出。

该模型采用创新的Thinker-Talker双模块架构：Thinker模块负责多模态信息的理解与语义表示生成，Talker模块则将文本转化为自然流畅的语音。在训练策略上，模型经历三阶段优化过程，先固定语言模型参数训练编码器，再解冻全参数训练，最后通过长序列数据增强模型能力。

Qwen2.5-Omni 的主要功能

Qwen2.5 Omni

文本处理：支持多语言对话、指令执行和长文本理解
图像识别：精准理解图像内容，支持视觉问答
音频处理：语音识别准确率超越Whisper-large-v3，支持语音指令理解
视频理解：同步分析视频画面与音频信息，在MVBench测试达到70.3%准确率
实时交互：流式处理技术实现毫秒级响应的语音视频聊天

Qwen2.5-Omni 的技术原理

Qwen2.5 Omni-Architecture

Thinker-Talker架构：分离式设计实现理解与生成的专项优化
TMRoPE编码：时间对齐的多模态位置嵌入，解决音视频同步难题
块状处理：将长序列数据分块处理，2秒/块的实时处理效率
三阶段训练：从单模态到多模态的渐进式能力提升

Qwen2.5-Omni 的评测结果

阿里开源Qwen2.5-Omni多模态大模型，支持文本、图像、音频和视频输入，具备实时语音合成与流式响应能力，在OmniBench等基准测试中全面超越Gemini-1.5-Pro等竞品：

Qwen2.5 Omni-bar

如何运行 Qwen2.5-Omni

下面教程将指导您如何运行 Qwen2.5-Omni，涵盖基础使用方法和代码示例。

1. 安装必要的依赖库

在运行 Qwen2.5-Omni 之前，您需要安装以下依赖库：

# 安装 transformers 和 accelerate
pip uninstall transformers
pip install git+https://github.com/huggingface/transformers@3a1ead0aabed473eafe527915eea8c197d424356
pip install accelerate

# 安装 Qwen2.5-Omni 工具包
pip install qwen-omni-utils[decord]

如果您的系统不支持 decord，可以使用以下命令回退到 torchvision：

pip install qwen-omni-utils

2. 使用 Transformers 运行模型

以下代码示例展示了如何使用 transformers 和 qwen_omni_utils 运行 Qwen2.5-Omni 模型：

import soundfile as sf
from transformers import Qwen2_5OmniModel, Qwen2_5OmniProcessor
from qwen_omni_utils import process_mm_info

# 加载模型和处理器
model = Qwen2_5OmniModel.from_pretrained("Qwen/Qwen2.5-Omni-7B", torch_dtype="auto", device_map="auto")
processor = Qwen2_5OmniProcessor.from_pretrained("Qwen/Qwen2.5-Omni-7B")

# 定义对话内容
conversation = [
    {
   
        "role": "system",
        "content": "You are Qwen, a virtual human developed by the Qwen Team, Alibaba Group, capable of perceiving auditory and visual inputs, as well as generating text and speech.",
    },
    {
   
        "role": "user",
        "content": [
            {
   "type": "video", "video": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen2.5-Omni/draw.mp4"},
        ],
    },
]

# 数据预处理
text = processor.apply_chat_template(conversation, add_generation_prompt=True, tokenize=False)
audios, images, videos = process_mm_info(conversation, use_audio_in_video=True)
inputs = processor(text=text, audios=audios, images=images, videos=videos, return_tensors="pt", padding=True)
inputs = inputs.to(model.device).to(model.dtype)

# 模型推理
text_ids, audio = model.generate(**inputs, use_audio_in_video=True)

# 解码输出
text = processor.batch_decode(text_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print("生成的文本:", text)

# 保存生成的音频
sf.write("output.wav", audio.reshape(-1).detach().cpu().numpy(), samplerate=24000)

代码解释：

加载模型和处理器：使用 from_pretrained 方法加载预训练模型和处理器。
定义对话内容：conversation 包含系统提示和用户输入的视频。
数据预处理：将对话内容转换为模型可接受的格式。
模型推理：调用 generate 方法生成文本和音频。
解码和保存结果：将生成的文本和音频分别输出和保存。

3. 使用 FlashAttention-2 加速推理

为了提升推理速度和降低内存占用，您可以使用 FlashAttention-2：

pip install -U flash-attn --no-build-isolation

在加载模型时指定 attn_implementation="flash_attention_2"：

from transformers import Qwen2_5OmniModel

model = Qwen2_5OmniModel.from_pretrained(
    "Qwen/Qwen2.5-Omni-7B",
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)

4. 批量推理

Qwen2.5-Omni 支持批量处理多种输入类型，例如文本、图像、音频和视频。以下是一个批量推理的示例：

# 示例对话
conversation1 = [{
   "role": "user", "content": [{
   "type": "video", "video": "/path/to/video.mp4"}]}]
conversation2 = [{
   "role": "user", "content": [{
   "type": "audio", "audio": "/path/to/audio.wav"}]}]
conversation3 = [{
   "role": "user", "content": "who are you?"}]
conversation4 = [
    {
   "role": "user", "content": [
        {
   "type": "image", "image": "/path/to/image.jpg"},
        {
   "type": "video", "video": "/path/to/video.mp4"},
        {
   "type": "audio", "audio": "/path/to/audio.wav"},
        {
   "type": "text", "text": "What are the elements can you see and hear in these medias?"}
    ]}
]

# 批量处理
conversations = [conversation1, conversation2, conversation3, conversation4]
text = processor.apply_chat_template(conversations, add_generation_prompt=True, tokenize=False)
audios, images, videos = process_mm_info(conversations, use_audio_in_video=True)
inputs = processor(text=text, audios=audios, images=images, videos=videos, return_tensors="pt", padding=True)
inputs = inputs.to(model.device).to(model.dtype)

# 批量推理
text_ids = model.generate(**inputs, use_audio_in_video=True, return_audio=False)
text = processor.batch_decode(text_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print("批量生成的文本:", text)

5. 使用 API 进行推理

您还可以使用 OpenAI API 与 Qwen2.5-Omni 进行交互：

import base64
import numpy as np
import soundfile as sf
from openai import OpenAI

# 初始化客户端
client = OpenAI(
    api_key="your_api_key",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# 定义对话内容
messages = [
    {
   
        "role": "system",
        "content": "You are Qwen, a virtual human developed by the Qwen Team, Alibaba Group, capable of perceiving auditory and visual inputs, as well as generating text and speech.",
    },
    {
   
        "role": "user",
        "content": [
            {
   "type": "video_url", "video_url": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen2.5-Omni/draw.mp4"},
        ],
    },
]

# 流式推理
completion = client.chat.completions.create(
    model="qwen-omni-turbo",
    messages=messages,
    modalities=["text", "audio"],
    audio={
   "voice": "Chelsie", "format": "wav"},
    stream=True,
    stream_options={
   "include_usage": True}
)

# 处理流式输出
text, audio_string = [], ""
for chunk in completion:
    if chunk.choices:
        if hasattr(chunk.choices[0].delta, "audio"):
            try:
                audio_string += chunk.choices[0].delta.audio["data"]
            except Exception as e:
                text.append(chunk.choices[0].delta.audio["transcript"])
    else:
        print(chunk.usage)

# 保存生成的文本和音频
print("".join(text))
wav_bytes = base64.b64decode(audio_string)
wav_array = np.frombuffer(wav_bytes, dtype=np.int16)
sf.write("output.wav", wav_array, samplerate=24000)

6. 启动本地 Web UI 演示

如果您希望使用 Web 界面与 Qwen2.5-Omni 交互，可以运行以下命令：

# 安装依赖
pip install -r requirements_web_demo.txt

# 启动 Web 演示
python web_demo.py --flash-attn2

启动后，您可以通过浏览器访问生成的链接（例如 http://127.0.0.1:7860/）进行交互。

7. 使用 Docker 部署

为了快速部署 Qwen2.5-Omni，推荐使用 vLLM 或 Docker 容器。以下是使用 Docker 的示例：

# 启动 Docker 容器
docker run --gpus all --ipc=host --network=host --rm --name qwen2.5-omni -it qwenllm/qwen-omni:2.5-cu121 bash

# 启动 Web 演示
bash docker/docker_web_demo.sh --checkpoint /path/to/Qwen2.5-Omni-7B --flash-attn2

资源

项目主页：https://qwenlm.github.io/blog/qwen2.5-omni/
GitHub 仓库：https://github.com/QwenLM/Qwen2.5-Omni
HuggingFace 仓库：https://huggingface.co/Qwen/Qwen2.5-Omni-7B
在线Demo：https://huggingface.co/spaces/Qwen/Qwen2.5-Omni-7B-Demo