阿里通义开源音频语言模型Qwen2-Audio

8月13日，阿里通义大模型继续开源，Qwen2系列开源家族新增音频语言模型Qwen2-Audio。Qwen2-Audio可以不需文本输入，直接进行语音问答，理解并分析用户输入的音频信号，包括人声、自然音、音乐等。通义团队还同步推出了一套全新的音频理解模型测评基准，相关论文已入选本周正在举办的国际顶会ACL 2024。

声音是人类以及许多生命体用以进行交互和沟通的重要媒介，声音中蕴含丰富的信息，让大模型学会理解各种音频信号，对于通用人工智能的探索至为重要。Qwen2-Audio是通义团队在音频理解模型上的新一步探索，相比前一代模型Qwen-Audio，新版模型有了更强的声音理解能力和更好的指令跟随能力。

Qwen2-Audio可以理解分析音乐

Qwen2-Audio是一款大型音频语言模型（Large Audio-Language Model，LALM)，具备语音聊天和音频分析两种使用模式，前者是指用户可以用语音向模型发出指令，模型无需自动语音识别（ASR）模块就可理解用户输入；后者是指模型能够根据用户指令分析音频信息，包括人类声音、自然声音、音乐或者多种信号混杂的音频。Qwen2-Audio能够自动实现两种模式的切换。

Qwen2-Audio支持超过8种语言和方言，如中文、英语、法语、意大利语、西班牙语、德语、日语，粤语。

通义团队同步开源了基础模型Qwen2-Audio-7B及其指令跟随版本Qwen2-Audio-7B-Instruct，用户可以通过Hugging Face、魔搭社区ModelScope等下载模型，也可以在魔搭社区“创空间”直接体验模型能力。

Qwen2-Audio的模型结构与训练方法

根据Qwen2-Audio技术报告，Qwen2-Audio的模型结构包含一个Qwen大语言模型和一个音频编码器。在预训练阶段，依次进行ASR、AAC等多任务预训练以实现音频与语言的对齐，接着通过SFT（监督微调） 强化模型处理下游任务的能力，再通过DPO（直接偏好优化）方法加强模型与人类偏好的对齐。

研发团队在一系列基准测试集上对模型效果作了评估，包括LibriSpeech、Common Voice 15、Fleurs、Aishell2、CoVoST2、Meld、Vocalsound以及通义团队新开发的AIR-Benchmark基准。在所有任务中，Qwen2-Audio都显著超越了先前的最佳模型和它的前代Qwen-Audio，成为新的SOTA模型。