Qwen-Audio是阿里雲於2023年12月推出的通義千問系列多模態開源模型，作為國內首個開源的通用音頻理解大模型。該模型支持人類語音、自然音、音樂、歌聲等多元音頻輸入，具備音頻轉錄、語義理解、情感分析、音頻事件檢測及語音聊天等多任務處理能力，在Aishell1、cochlscene、ClothoAQA和VocalSound等測試集上達到業界領先水平。其創新性多任務訓練框架可同時支持超過30種任務，通過知識共享避免一對多干擾。基於該模型，阿里雲後續開發了支持多輪對話的Qwen-Audio-Chat，並於2025年推出升級版Qwen2-Audio。
基本介紹
- 模型類型：音頻語言大模型
- 發布時間：2023年12月1日
- 支持任務：≥30項
- 輸入類型：音頻/文本混合
- 部署實例：AMD ecs.g8a.4xlarge
- 免費額度：10萬Token/180天（截至2025年5月）
技術特點,套用場景,開源進展,計費規則,
技術特點
- 採用大規模音頻語言模型架構，具備720億參數規模
- 首創多任務訓練框架，解決文本標籤異構性問題，支持知識共享機制
- 音頻輸入處理能力達每秒25 Token
- 支持中、英、法等8種語言及方言（截至2025年3月）
套用場景
- 音頻理解：可識別人聲、動物聲、音樂聲等九類聲學信號
- 內容創作：支持基於音頻的文學創作、故事續寫任務
- 工業部署：適配AMD CPU實例穩定運行，提供WebUI服務接口
- 科研套用：開源模型支持企業級、科研級高性能套用
開源進展
2023年12月首次開源即實現"全尺寸、全模態"布局，涵蓋18億至720億參數模型。2024年9月發布部署指南，2025年3月推出增強版Qwen2-Audio，其音頻理解能力提升併入選ACL 2024國際頂會。配套開源的還有ASR專用Beta版，專注提高語音識別準確率。
計費規則
穩定版qwen-audio-turbo提供：
- 上下文長度8,000 Token
- 最大輸入6,000 Token
- 最大輸出1,500 Token
- 免費體驗額度包含輸入/輸出各10萬Token
