Qwen2.5 Omni 7B

🚀 Qwen2.5-Omni

Qwen2.5-Omni是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态信息，并以流式方式同时生成文本和自然语音响应。

🚀 快速开始

我们提供了简单的示例，展示如何使用🤗 Transformers库来使用Qwen2.5-Omni。Qwen2.5-Omni的代码已集成在最新的Hugging face transformers库中，建议你使用以下命令从源代码进行构建：

pip uninstall transformers
pip install git+https://github.com/huggingface/transformers@v4.51.3-Qwen2.5-Omni-preview
pip install accelerate

否则，你可能会遇到以下错误：

KeyError: 'qwen2_5_omni'

我们还提供了一个工具包，帮助你更方便地处理各种类型的音频和视觉输入，就像使用API一样。这包括base64编码、URL和交错的音频、图像和视频。你可以使用以下命令安装它，并确保你的系统已经安装了ffmpeg：

# 强烈建议使用 `[decord]` 特性以加快视频加载速度
pip install qwen-omni-utils[decord] -U

如果你不使用Linux系统，可能无法从PyPI安装decord。在这种情况下，你可以使用pip install qwen-omni-utils -U，它将回退到使用torchvision进行视频处理。不过，你仍然可以从源代码安装decord，以便在加载视频时使用decord。

🤗 Transformers使用方法

以下是一个代码片段，展示如何使用transformers和qwen_omni_utils库来使用聊天模型：

import soundfile as sf

from transformers import Qwen2_5OmniForConditionalGeneration, Qwen2_5OmniProcessor
from qwen_omni_utils import process_mm_info

# 默认：将模型加载到可用的设备上
model = Qwen2_5OmniForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-Omni-7B", torch_dtype="auto", device_map="auto")

# 建议启用 flash_attention_2 以获得更好的加速和内存节省效果
# model = Qwen2_5OmniForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2.5-Omni-7B",
#     torch_dtype="auto",
#     device_map="auto",
#     attn_implementation="flash_attention_2",
# )

processor = Qwen2_5OmniProcessor.from_pretrained("Qwen/Qwen2.5-Omni-7B")

conversation = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "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"},
        ],
    },
]

# 设置是否使用视频中的音频
USE_AUDIO_IN_VIDEO = True

# 推理前的准备工作
text = processor.apply_chat_template(conversation, add_generation_prompt=True, tokenize=False)
audios, images, videos = process_mm_info(conversation, use_audio_in_video=USE_AUDIO_IN_VIDEO)
inputs = processor(text=text, audio=audios, images=images, videos=videos, return_tensors="pt", padding=True, use_audio_in_video=USE_AUDIO_IN_VIDEO)
inputs = inputs.to(model.device).to(model.dtype)

# 推理：生成输出文本和音频
text_ids, audio = model.generate(**inputs, use_audio_in_video=USE_AUDIO_IN_VIDEO)

text = processor.batch_decode(text_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(text)
sf.write(
    "output.wav",
    audio.reshape(-1).detach().cpu().numpy(),
    samplerate=24000,
)

# 批量推理的示例消息

# 仅包含视频的对话
conversation1 = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "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": "/path/to/video.mp4"},
        ]
    }
]

# 仅包含音频的对话
conversation2 = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "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": "audio", "audio": "/path/to/audio.wav"},
        ]
    }
]

# 纯文本对话
conversation3 = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "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": "who are you?"
    }
]

# 包含多种媒体的对话
conversation4 = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "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": "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?"},
        ],
    }
]

# 合并消息以进行批量处理
conversations = [conversation1, conversation2, conversation3, conversation4]

# 设置是否使用视频中的音频
USE_AUDIO_IN_VIDEO = True

# 批量推理前的准备工作
text = processor.apply_chat_template(conversations, add_generation_prompt=True, tokenize=False)
audios, images, videos = process_mm_info(conversations, use_audio_in_video=USE_AUDIO_IN_VIDEO)

inputs = processor(text=text, audio=audios, images=images, videos=videos, return_tensors="pt", padding=True, use_audio_in_video=USE_AUDIO_IN_VIDEO)
inputs = inputs.to(model.device).to(model.dtype)

# 批量推理
text_ids = model.generate(**inputs, use_audio_in_video=USE_AUDIO_IN_VIDEO, return_audio=False)
text = processor.batch_decode(text_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(text)

使用提示

音频输出提示

如果用户需要音频输出，系统提示必须设置为 "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."，否则音频输出可能无法正常工作。

{
    "role": "system",
    "content": [
        {"type": "text", "text": "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."}
    ],
}

使用视频中的音频

在多模态交互过程中，用户提供的视频通常会附带音频（例如关于视频内容的问题，或视频中某些事件产生的声音）。这些信息有助于模型提供更好的交互体验。因此，我们为用户提供了以下选项，以决定是否使用视频中的音频：

# 第一个位置，数据预处理阶段
audios, images, videos = process_mm_info(conversations, use_audio_in_video=True)

# 第二个位置，模型处理器阶段
inputs = processor(text=text, audio=audios, images=images, videos=videos, return_tensors="pt", 
                   padding=True, use_audio_in_video=True)

#  第三个位置，模型推理阶段
text_ids, audio = model.generate(**inputs, use_audio_in_video=True)

值得注意的是，在多轮对话中，这些位置的use_audio_in_video参数必须设置为相同的值，否则可能会出现意外结果。

是否使用音频输出

模型支持文本和音频输出。如果用户不需要音频输出，可以在初始化模型后调用model.disable_talker()。此选项将节省约~2GB的GPU内存，但generate函数的return_audio选项将只能设置为False。

model = Qwen2_5OmniForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-Omni-7B",
    torch_dtype="auto",
    device_map="auto"
)
model.disable_talker()

为了获得更灵活的体验，我们建议用户在调用generate函数时决定是否返回音频。如果将return_audio设置为False，模型将仅返回文本输出，从而更快地获得文本响应。

model = Qwen2_5OmniForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-Omni-7B",
    torch_dtype="auto",
    device_map="auto"
)
...
text_ids = model.generate(**inputs, return_audio=False)

更改输出音频的语音类型

Qwen2.5-Omni支持更改输出音频的语音类型。"Qwen/Qwen2.5-Omni-7B"检查点支持以下两种语音类型：

用户可以使用generate函数的speaker参数来指定语音类型。默认情况下，如果未指定speaker，则默认语音类型为Chelsie。

text_ids, audio = model.generate(**inputs, speaker="Chelsie")

text_ids, audio = model.generate(**inputs, speaker="Ethan")

使用Flash-Attention 2加速生成

首先，确保安装最新版本的Flash Attention 2：

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

此外，你的硬件应与FlashAttention 2兼容。更多信息请参阅flash attention仓库的官方文档。FlashAttention-2只能在模型以torch.float16或torch.bfloat16加载时使用。

要使用FlashAttention-2加载和运行模型，请在加载模型时添加attn_implementation="flash_attention_2"：

from transformers import Qwen2_5OmniForConditionalGeneration

model = Qwen2_5OmniForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-Omni-7B",
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)

✨ 主要特性

• 全模态与新颖架构：我们提出了Thinker-Talker架构，这是一种端到端的多模态模型，旨在感知包括文本、图像、音频和视频在内的多种模态信息，同时以流式方式生成文本和自然语音响应。我们还提出了一种新颖的位置嵌入方法，名为TMRoPE（时间对齐的多模态RoPE），用于同步视频输入与音频的时间戳。
• 实时语音和视频聊天：该架构专为全实时交互而设计，支持分块输入和即时输出。
• 自然且鲁棒的语音生成：在语音生成方面，超越了许多现有的流式和非流式替代方案，展现出卓越的鲁棒性和自然度。
• 跨模态的强大性能：与同等规模的单模态模型相比，Qwen2.5-Omni在所有模态上均表现出色。在音频能力方面，Qwen2.5-Omni优于同等规模的Qwen2-Audio，并且在性能上与Qwen2.5-VL-7B相当。
• 出色的端到端语音指令遵循能力：Qwen2.5-Omni在端到端语音指令遵循方面的表现与其在文本输入时的效果相当，这在MMLU和GSM8K等基准测试中得到了证明。

模型架构

性能

我们对Qwen2.5-Omni进行了全面评估，结果表明，与同等规模的单模态模型和闭源模型（如Qwen2.5-VL-7B、Qwen2-Audio和Gemini-1.5-pro）相比，Qwen2.5-Omni在所有模态上均表现出强大的性能。在需要整合多种模态的任务中，如OmniBench，Qwen2.5-Omni取得了最先进的性能。此外，在单模态任务中，它在语音识别（Common Voice）、翻译（CoVoST2）、音频理解（MMAU）、图像推理（MMMU、MMStar）、视频理解（MVBench）和语音生成（Seed-tts-eval和主观自然度）等方面表现出色。

📚 详细文档

概述

介绍

Qwen2.5-Omni是一个端到端的多模态模型，旨在感知包括文本、图像、音频和视频在内的多种模态信息，同时以流式方式生成文本和自然语音响应。

关键特性

• 全模态与新颖架构：提出了Thinker-Talker架构，这是一种端到端的多模态模型，能够感知多种模态信息并生成相应响应。还提出了TMRoPE（时间对齐的多模态RoPE）位置嵌入方法，用于同步视频输入与音频的时间戳。
• 实时语音和视频聊天：架构支持全实时交互，允许分块输入和即时输出。
• 自然且鲁棒的语音生成：在语音生成方面表现出色，超越了许多现有模型，具有更好的鲁棒性和自然度。
• 跨模态的强大性能：与同等规模的单模态模型相比，在所有模态上均表现优异。在音频能力上优于Qwen2-Audio，与Qwen2.5-VL-7B相当。
• 出色的端到端语音指令遵循能力：在端到端语音指令遵循任务中表现出色，与文本输入时的效果相当，这在MMLU和GSM8K等基准测试中得到了验证。

模型架构

性能

对Qwen2.5-Omni进行了全面评估，结果显示，与同等规模的单模态模型和闭源模型（如Qwen2.5-VL-7B、Qwen2-Audio和Gemini-1.5-pro）相比，它在所有模态上均表现出色。在需要整合多种模态的任务中，如OmniBench，取得了最先进的性能。在单模态任务中，如语音识别、翻译、音频理解、图像推理、视频理解和语音生成等方面也表现优异。

🔧 技术细节

模型架构

我们提出了Thinker-Talker架构，这是一种端到端的多模态模型，旨在感知包括文本、图像、音频和视频在内的多种模态信息，同时以流式方式生成文本和自然语音响应。我们还提出了一种新颖的位置嵌入方法，名为TMRoPE（时间对齐的多模态RoPE），用于同步视频输入与音频的时间戳。

实时交互

该架构专为全实时交互而设计，支持分块输入和即时输出，从而实现实时语音和视频聊天。

语音生成

Qwen2.5-Omni在语音生成方面表现出色，超越了许多现有的流式和非流式替代方案，展现出卓越的鲁棒性和自然度。

跨模态性能

与同等规模的单模态模型相比，Qwen2.5-Omni在所有模态上均表现出色。在音频能力方面，它优于同等规模的Qwen2-Audio，并且在性能上与Qwen2.5-VL-7B相当。

端到端语音指令遵循

Qwen2.5-Omni在端到端语音指令遵循方面的表现与其在文本输入时的效果相当，这在MMLU和GSM8K等基准测试中得到了证明。

📄 许可证

本项目采用Apache 2.0许可证，详情请见此处。

引用

如果您发现我们的论文和代码对您的研究有帮助，请考虑给我们一个星标 :star: 并进行引用 :pencil: :)

@article{Qwen2.5-Omni,
  title={Qwen2.5-Omni Technical Report},
  author={Jin Xu, Zhifang Guo, Jinzheng He, Hangrui Hu, Ting He, Shuai Bai, Keqin Chen, Jialin Wang, Yang Fan, Kai Dang, Bin Zhang, Xiong Wang, Yunfei Chu, Junyang Lin},
  journal={arXiv preprint arXiv:2503.20215},
  year={2025}
}