优惠 多模态大语言模型EMOVA：使大语言模型具备端到端的语音能力，同时保持领先的视觉-语言性能。

香港科技大学、香港大学,、华为诺亚方舟实验室、香港中文大学、中山大学和南方科技大学的研究人员推出多模态大语言模型EMOVA，使大语言模型具备端到端的语音能力，同时保持领先的视觉-语言性能。通过一个语义-声学解耦的语音标记器，研究团队发现全模态对齐可以进一步增强视觉-语言和语音能力，相比于双模态对齐。此外，我们提出了一个... 阅读全文