近日，阿里巴巴旗下通义千问团队宣布正式开源Qwen2-Audio系列的两个模型——Qwen2-Audio-7B和Qwen2-Audio-7B-Instruct。Qwen2-Audio系列模型作为大规模音频语言模型，具备接受多种音频信号输入的能力，并能根据语音指令进行音频分析或直接生成文本响应。

Qwen2-Audio提供两种交互模式。一是语音聊天模式，用户可无需文本输入，直接通过语音与模型进行互动;二是音频分析模式，用户可结合音频和文本指令对音频内容进行分析，并且该模型支持超过8种语言和方言，包括中文、英语、法语、意大利语、西班牙语、德语、日语和粤语，满足不同用户的需求。

Qwen2-Audio与上一代模型Qwen-Audio相比，Qwen2-Audio在声音理解能力和指令跟随能力上均实现了显著提升，通义团队还发布了一套全新的音频理解模型测评基准，相关论文已被国际顶级会议ACL 2024收录。

该模型具有高性能、易于集成和可微调的特点，代码已集成到Hugging Face的transformers库，方便开发者快速上手和使用。

在一系列基准数据集的测试中，Qwen2-Audio系列模型的表现超越了之前的最佳模型，展现了其在音频处理领域的领先地位。