GPT-4o式的多模態(tài)大模型（LMMs）展現(xiàn)出在文本、視覺和語音模態(tài)上的全能能力，其在線語音服務(wù)還能在語音交互過程中同步提供中間文本結(jié)果（即用戶輸入和模型響應(yīng)的轉(zhuǎn)錄內(nèi)容），為用戶提供“邊看邊聽”的靈活交互體驗(yàn)。因此，如何構(gòu)建支持文本、視覺和語音三種模態(tài)的多模態(tài)大模型成為近期研究熱點(diǎn)。現(xiàn)有的多模態(tài)大模型通常利用多個(gè)編碼器提取各個(gè)模態(tài)的表示，然后將各模態(tài)表示沿序列維度拼接并輸入至大語言模型基座中以生成回復(fù)。這些基于拼接的方法簡(jiǎn)化了模態(tài)集成過程，但它們?cè)诤艽蟪潭壬弦蕾嚧笠?guī)模數(shù)據(jù)，以數(shù)據(jù)驅(qū)動(dòng)的方式學(xué)習(xí)模態(tài)對(duì)齊。此外，這種基于拼接的維度對(duì)齊方式缺乏足夠的靈活性，無法像GPT-4o那樣在語音交互過程中同時(shí)生成中間文本結(jié)果。

為應(yīng)對(duì)這一挑戰(zhàn)，中國(guó)科學(xué)院計(jì)算技術(shù)研究所自然語言處理團(tuán)隊(duì)提出了文本-視覺-語音多模態(tài)大模型——Stream-Omni，其能同時(shí)支持各種模態(tài)組合下的交互。通過對(duì)各模態(tài)間的關(guān)系進(jìn)行更有針對(duì)性的建模，Stream-Omni實(shí)現(xiàn)了更加高效和靈活的文本-視覺-語音模態(tài)對(duì)齊。僅依賴包含2.3萬小時(shí)語音的多模態(tài)數(shù)據(jù)，Stream-Omni即可具備文本交互、語音交互、基于視覺的語音交互等各種模態(tài)上的交互能力。與此同時(shí)，依賴于創(chuàng)新的語音建模方式，Stream-Omni能在語音交互過程中像GPT-4o一樣同步輸出中間文本轉(zhuǎn)錄結(jié)果，為用戶提供全方位的多模態(tài)交互體驗(yàn)。

論文題目：

Stream-Omni:SimultaneousMultimodalInteractionswithLargeLanguage-Vision-SpeechModel

論文鏈接：

https://arxiv.org/abs/2506.13642

開源代碼：

https://github.com/ictnlp/Stream-Omni

模型下載：

https://huggingface.co/ICTNLP/stream-omni-8b

Stream-Omni的模態(tài)對(duì)齊

現(xiàn)有多模態(tài)大模型中的模態(tài)對(duì)齊（如左圖所示）：在序列維度上將三種模態(tài)的表示進(jìn)行拼接，輸入至大語言模型基座

為了減輕對(duì)大規(guī)模三模態(tài)數(shù)據(jù)的依賴，Stream-Omni更有針對(duì)性地建模各模態(tài)之間的關(guān)系，即語音與文本應(yīng)在語義上高度一致，而視覺則在語義上對(duì)文本形成互補(bǔ)關(guān)系。因此，Stream-Omni對(duì)不同模態(tài)采用不同對(duì)齊方式（如右圖所示）：

視覺-文本對(duì)齊：序列維度的視覺文本拼接

語音-文本對(duì)齊：層級(jí)維度的語音文本映射

實(shí)現(xiàn)上，Stream-Omni以大語言模型（LLM）為核心，并在其底部和頂部引入語音層，通過連接時(shí)序分類（ConnectionistTemporalClassification，CTC）建模語音到文本的映射，此建模方式的優(yōu)勢(shì)在于：

支持通過語音模態(tài)進(jìn)行外部交互，同時(shí)利用文本模態(tài)在內(nèi)部控制生成的內(nèi)容；

基于CTC的語音-文本映射為語音文本在表示和結(jié)構(gòu)的對(duì)齊上提供更加直接的監(jiān)督，因此Stream-Omni能夠在僅使用少量語音數(shù)據(jù)的情況下，將LLM主干的文本能力遷移至語音模態(tài)。

層級(jí)維度映射使得Stream-Omni在語音交互過程中還能同步輸出中間文本結(jié)果（即指令和回復(fù)的轉(zhuǎn)錄文本），為用戶提供更全面的多模態(tài)體驗(yàn)。

Stream-Omni

Stream-Omni以大語言模型作為主干，逐步將視覺和語音與文本對(duì)齊，高效地構(gòu)建了一個(gè)支持文本、視覺和語音的多模態(tài)大模型。在視覺-文本對(duì)齊方面，Stream-Omni采用視覺編碼器和投影模塊提取視覺表示，并將其與文本表示進(jìn)行拼接。在語音-文本對(duì)齊方面，Stream-Omni在LLM主干的底部和頂部分別引入若干語音層，用于將語音映射到文本以及基于文本生成語音。

視覺模態(tài)

基于視覺模態(tài)與文本模態(tài)之間具有語義互補(bǔ)性，Stream-Omni采用LLaVA架構(gòu)中的序列維度拼接的方式進(jìn)行視覺-文本對(duì)齊。

語音模態(tài)

（1）語音離散化：Stream-Omni采用CosyVoiceTokenizer對(duì)語音輸入進(jìn)行離散化，編碼為若干離散的語音單元（…）。

（2）語音到文本映射：為了充分利用LLM的能力，Stream-Omni在LLM的底部引入語音層，用于學(xué)習(xí)語音與文本之間的映射關(guān)系，從而將LLM中的文本能力遷移到語音模態(tài)中。Stream-Omni利用在ASR任務(wù)上的CTC損失直接監(jiān)督底部語音層語音表示，將其與文本模態(tài)對(duì)齊。

（3）文本生成：LLM基于輸入的視覺表示和語音表示，生成文本回復(fù)。

（4）文本到語音生成：Stream-Omni通過頂部語音層來完成文本到語音生成。為了在生成文本的同時(shí)生成語音單元，Stream-Omni在頂部語音層中引入了alignment-basedfusion模塊。Alignment-basedfusion沿用了StreamSpeech等實(shí)時(shí)生成研究中的同步生成策略，利用CTC對(duì)齊來指導(dǎo)同步生成過程。

任意模態(tài)組合下的多模態(tài)交互

Stream-Omni能夠通過靈活組合視覺編碼器、底部語音層、LLM、頂部語音層來實(shí)現(xiàn)任意模態(tài)組合下的交互。同時(shí)，由于層級(jí)維度語音文本映射，Stream-Omni能夠在語音到語音生成過程中提供中間的文本結(jié)果。

實(shí)驗(yàn)結(jié)果

視覺理解能力

Stream-Omni和相同規(guī)模和數(shù)據(jù)量級(jí)的視覺大模型取得相當(dāng)?shù)谋憩F(xiàn)。

語音交互能力

在事實(shí)性的語音交互上，Stream-Omni相比于現(xiàn)有方法具有優(yōu)勢(shì)，源于層級(jí)維度的語音文本映射將LLM的文本能力遷移到語音模態(tài)上。

基于視覺的語音交互能力

在本實(shí)例中，在指令分別通過文本和語音輸入的情況下，VITA-1.5給出了兩個(gè)相互矛盾的回答：“不允許前往二樓”和“直接通往二樓”。這一在面對(duì)不同模態(tài)指令時(shí)產(chǎn)生的矛盾回應(yīng)，源于沿序列維度拼接視覺、語音和文本表示來實(shí)現(xiàn)多模態(tài)對(duì)齊的方法，并未對(duì)語音與文本模態(tài)之間的語義進(jìn)行嚴(yán)格對(duì)齊建模。相比之下，Stream-Omni引入語音到文本的映射機(jī)制，實(shí)現(xiàn)了語音與文本表示之間更精確的語義對(duì)齊。因此，Stream-Omni在不同模態(tài)下表現(xiàn)更加一致，無論指令是通過文本還是語音輸入，都能生成相似的響應(yīng)。另外，Stream-Omni還能生成高質(zhì)量的語音回復(fù)，更多實(shí)例請(qǐng)?jiān)趆ttps://github.com/ictnlp/Stream-Omni體驗(yàn)。

總結(jié)

Stream-Omni是一個(gè)GPT-4o式的文本-視覺-語音多模態(tài)大模型，能夠支持多種模態(tài)組合下的多模態(tài)交互。

Stream-Omni能夠在語音交互過程中輸出中間文本結(jié)果，為用戶提供更全面的多模態(tài)交互體驗(yàn)。

Stream-Omni關(guān)注如何構(gòu)建模態(tài)對(duì)齊，語音表現(xiàn)力等方面的增強(qiáng)不是本研究的重點(diǎn)，因此其在擬人化、音色多樣性等方面存在局限性。

高光作品《都市至尊狂仙》,不做炮灰,要做命運(yùn)的主宰者!

此訣是由曾出身地球的一位神秘大能所創(chuàng)，他震撼于龍之力的崇高，便創(chuàng)制以人身駕馭龍之力的訣竅，《九龍霸體訣》隨之誕生，以龍血和龍魂為引，可以同步龍之力，駕馭的龍種類數(shù)量越多，品質(zhì)越高，《九龍霸體訣》威力越強(qiáng)。但龍乃天地至尊，駕馭談何容易？所以，連創(chuàng)制《九龍霸體訣》那位大能，都沒有勇氣在此道上堅(jiān)持下去，卻又不忍這門逆天絕學(xué)說完了。 《都市至尊狂仙》作者：廬軒

劇情跌宕起伏的新奇之作《都市至尊狂仙》,很多人看過,但不一定看完!

劇情跌宕起伏的新奇之作《都市至尊狂仙》，很多人看過，但不一定看完！《都市至尊狂仙》作者：我本不凡