让我们看看演示视频吧！

VITA-1.5，开源的实时视觉和语音交互，支持英文和中文，视觉多模态LLM使用的是QWen2.5，语音延迟只有1.5秒。

Github地址：https://github.com/VITA-MLLM/VITA

论文地址：https://arxiv.org/pdf/2408.05211

模型下载地址：https://huggingface.co/VITA-MLLM



微信扫描下方的二维码阅读本文

VITA-1.5，开源的实时视觉和语音交互，支持英文和中文插图

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。