8 月 13 日消息，阿里通義大模型繼續開源，Qwen2 系列開源家族新增音頻語言模型 Qwen2-Audio。Qwen2-Audio 可以不需文本輸入，直接進行語音問答，理解并分析用戶輸入的音頻信號，包括人聲、自然音、音樂等。該模型在多個權威測評中都顯著超越先前的最佳模型。通義團隊還同步推出了一套全新的音頻理解模型測評基準，相關論文已入選本周正在舉辦的國際頂會 ACL 2024。

聲音是人類以及許多生命體用以進行交互和溝通的重要媒介，聲音中蘊含豐富的信息，讓大模型學會理解各種音頻信號，對于通用人工智能的探索至為重要。Qwen2-Audio 是通義團隊在音頻理解模型上的新一步探索，相比前一代模型 Qwen-Audio，新版模型有了更強的聲音理解能力和更好的指令跟隨能力。

Qwen2-Audio 可以理解分析音樂  

Qwen2-Audio 是一款大型音頻語言模型（Large Audio-Language Model ，LALM ) ，具備語音聊天和音頻分析兩種使用模式，前者是指用戶可以用語音向模型發出指令，模型無需自動語音識別（ASR）模塊就可理解用戶輸入；后者是指模型能夠根據用戶指令分析音頻信息，包括人類聲音、自然聲音、音樂或者多種信號混雜的音頻。Qwen2-Audio 能夠自動實現兩種模式的切換。Qwen2-Audio 支持超過 8 種語言和方言，如中文、英語、法語、意大利語、西班牙語、德語、日語，粵語。

通義團隊同步開源了基礎模型 Qwen2-Audio-7B 及其指令跟隨版本 Qwen2-Audio-7B-Instruct，用戶可以通過 Hugging Face、魔搭社區 ModelScope 等下載模型，也可以在魔搭社區 " 創空間 " 直接體驗模型能力。

Qwen2-Audio 的模型結構與訓練方法  

根據 Qwen2-Audio 技術報告，Qwen2-Audio 的模型結構包含一個 Qwen 大語言模型和一個音頻編碼器。在預訓練階段，依次進行 ASR、AAC 等多任務預訓練以實現音頻與語言的對齊，接著通過 SFT（監督微調） 強化模型處理下游任務的能力，再通過 DPO（直接偏好優化）方法加強模型與人類偏好的對齊。

研發團隊在一系列基準測試集上對模型效果作了評估，包括 LibriSpeech、Common Voice 15、Fleurs、Aishell2、CoVoST2、Meld、Vocalsound 以及通義團隊新開發的 AIR-Benchmark 基準。在所有任務中，Qwen2-Audio 都顯著超越了先前的最佳模型和它的前代 Qwen-Audio，成為新的 SOTA 模型。

Qwen2-Audio 在多個測評中都顯著超越了先前的最佳模型