开源多模态视频语音大模型VITA-1.5： 基于Qwen2.5模型，实现接近实时的视觉和语音交互能力 随着多模态大语言模型（MLLMs）的发展，如何有效地整合视觉、语言和语音成为了人工智能领域面临的一个重要挑战。VITA-1.5 是由南京大学（NJU）、腾讯优图实验室（Tencent Youtu La... 语音模型# Qwen2.5模型# VITA-1.5 2周前01040
