mini-GPT4o来了? 能看、能听、会说，还情感丰富的多模态全能助手EMOVA

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

AIxiv专栏是本站发布学术、技术内容的栏目。过去数年，本站AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

本文作者来自香港科技大学、香港大学和华为诺亚方舟实验室等机构。其中第一作者陈铠、苟耘豪、刘智立为香港科技大学在读博士生，黄润辉为香港大学在读博士生，谭达新为诺亚方舟实验室研究员。

随着 OpenAI GPT-4o 的发布，大语言模型已经不再局限于文本处理，而是向着全模态智能助手的方向发展。这篇论文提出了 EMOVA（EMotionally Omni-present Voice Assistant），一个能够同时处理图像、文本和语音模态，能看、能听、会说的多模态全能助手，并通过情感控制，拥有更加人性化的交流能力。以下，我们将深入了解 EMOVA 的研究背景、模型架构和实验效果。

[详细内容](https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650936793&idx=3&sn=55e737d060d80fed7c3f69797403dcf3&chksm=84e7d1a7b39058b1f1f0f53fd73dbefef7b63c31599e5260f58487bc87c9614be1f8c1179c9d&token=554618254&lang=zh_CN#rd)

论文题目：EMOVA: Empowering Language Models to See, Hear and Speak with Vivid Emotion论文地址：https://arxiv.org/abs/2409.18042项目网页：https://emova-ollm.github.io/研究背景：全模态交互的挑战近年来，多模态大模型得到广泛关注，尤其是可以同时处理视觉和语言信息的模型，如 LLaVA [1] 和 Intern-VL [2]，或者语音文本交互的模型，如 Mini-Omni [3]。然而，当前的研究多偏向于双模态组合，要让大语言模型在 “看、听、说” 三个方面同时具备优越表现依然充满挑战。传统的解决方案往往依赖外部语音生成工具，无法实现真正的端到端语音对话。而 EMOVA 的出现填补了这个空白，在保持图文理解性能不下降的前提下，让模型具备情感丰富的语音交流能力，实现了一个全能型、情感丰富、能看能听会说的智能助手。模型架构：情感对话与多模态理解的有效结合EMOVA 的架构如图一所示，它结合了连续的视觉编码器和离散的语音分词器，能够将输入的图像、文本和语音信息进行高效处理，并端到端生成文本和带情感的语音输出。以下是其架构的几个关键点：1. 视觉编码器：采用连续的视觉编码器，捕捉图像的精细视觉特征，保证领先的视觉语言理解性能；2. 语音分词器：采用了语义声学分离的语音分词器，将输入的语音分解为语义内容（语音所表达的意思）和声学风格（语音的情感、音调等）。这种设计将语音输入转化为 “新的语言”，不仅降低了语音模态的合入难度，更为后续个性化语音生成以及情感注入提供了灵活度；3. 情感控制模块：引入了一个轻量级的风格模块，支持对语音情感（如开心、悲伤等）、说话人特征（如性别）、语速、音调的控制，在保持语义不变的情况下，根据对话上下文动态调节语音输出的风格，使人机交互更加自然。

对齐方法：开源双模态数据实现全模态对齐

EMOVA 提出了数据高效的全模态对齐，以文本模态作为媒介，通过公开可用的图像文本和语音文本数据进行全模态训练，而不依赖稀缺的图像 - 文本 - 语音三模态数据。实验发现：

1. 模态间的相互促进：在解耦语义和声学特征的基础上，语音文本数据和图像文本不仅不会相互冲突，反而能够互相促进，同时提升模型在视觉语言和语音语言任务中的表现；
2. 同时对齐优于顺序对齐：联合对齐图像文本和语音文本数据的效果明显优于顺序对齐（先图像文本对齐，再语音文本对齐，或反之），有效避免“灾难性遗忘”；
3. 全模态能力激发：少量多样化的全模态指令微调数据，可以有效激发模型面对图像、文本和语音组合指令的响应能力和遵从性。

这种双模态对齐方法利用了文本作为桥梁，避免了全模态图文音训练数据的匮乏问题，并通过联合优化，进一步增强了模型的跨模态能力。

Remover

几秒钟去除图中不需要的元素

304 查看详情 图二：全模态同时对齐提升模型在视觉语言和语音语言任务中的表现

实验效果：性能领先，情感丰富

在多个图像文本、语音文本的基准测试中，EMOVA 展现了优越的性能：

1. 视觉理解任务：EMOVA 在多个数据集上达到了当前的最佳水平，特别是在复杂的图像理解任务中表现尤为突出，如在 SEED-Image、OCR Bench 等榜单的性能甚至超过了 GPT-4o；
2. 语音任务：EMOVA 不仅在语音识别任务上取得最佳性能，还能生成情感丰富、自然流畅的语音，展示了其语义声学分离技术和情感控制模块的有效性；

总的来说，EMOVA 是首个能够在保持视觉文本和语音文本性能领先的同时，支持带有情感的语音对话的模型。这使得它不仅可以在多模态理解场景表现出色，还能够根据用户的需求调整情感风格，提升交互体验。

图 3 EMOVA 在视觉文本和语音文本任务上的性能测试

总结：为 AI 情感交互提供新思路

EMOVA 作为全模态的情感语音助手，可实现端到端的语音、图像、文本处理。通过创新的语义声学分离和轻量化的情感控制模块，展现出优越的性能。EMOVA 在实际应用和研究前沿都具有巨大潜力，为未来 AI 提供了更加人性化的情感表达新思路。

参考文献：

[1] Liu, H., Li, C., Wu, Q., & Lee, Y. J. (2025). Visual instruction tuning. In NeurIPS.
[2] Chen, Z., Wu, J., et al. (2025). InternVL: Scaling up vision foundation models and aligning for generic visual-linguistic tasks. In CVPR.
[3] Xie, Z., & Wu, C. (2025). Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming. arXiv preprint arXiv:2408.16725.

以上就是mini-GPT4o来了? 能看、能听、会说，还情感丰富的多模态全能助手EMOVA的详细内容，更多请关注其它相关文章！

# 双模  # 新城慧抖销seo优化  # 如何配置seo优化信息  # 烟台做网站建设电话  # 宿松seo外包  # 网站建设作业日常  # 营销型网站建设域名是  # 淡水网站推广价格  # 亳州市平安建设网站官网  # 云闪付推广营销  # 宁波镇海区网站优化推广  # 端到  # 产业  # 多个  # 开源  # 诺亚方舟  # 多模  # 能看  # 会说  # 来了  # 模态  # git  # emova 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 生成式AI爆发，亚马逊云科技持续专注创新，助力企业数字化转型  再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手  人工智能大胆预测：银河系至少有2万个地球，36种外星文明  谷歌AudioPaLM实现「文本+音频」双模态解决，说听两用大模型  应对算力挑战，亚马逊云科技发力AI基础设施建设  pixivFANBOX 更新运营规则，禁止通过外链绕开 AI 生成禁令  人工智能助力精准学习，猿辅导小猿学练机满足学生个性化学习需求  OpenAI 静默关闭 AI 文本检测工具，准确率仅为 26%  一文读懂自动驾驶的激光雷达与视觉融合感知  Meta 人工智能业务落后竞争对手，研究人员大量离职成重要原因  阿里云连续两年进入Gartner云AI开发者“挑战者象限”  无人机巡检方案是什么，该如何选择适合的巡检方案  美图公司：Wink国内首发AI画面拓展功能  数据科学，解码智能未来——Altair首次提出“Frictionless AI”概念  当科幻走进现实 脑机接口新技术能为生活带来哪些惊喜？  专家解读国家网信办深度合成服务算法备案信息公告：不等于百度、阿里、腾讯等生成式AI产品获批  华为4G5G通信物联网收费标准公布，多年研发成果，十年花费近万亿  视觉中国推出付费AI绘图功能：无版权可用  人手一部「*」！视频版Midjourney免费可用，一句话秒生酷炫大片惊呆网友  下一个前沿：量子机器学习和人工智能的未来  人工智能领域，突破难题：国产大模型“无源之水”问题得到解决。  AI大模型火了！科技巨头纷纷加入，多地政策加码加速落地  OpenAI高管：AI能创造新的就业机会 但也会淘汰一些  随时随地，追踪每个像素，连遮挡都不怕的「追踪一切」视频算法来了  报道称亚马逊正在测试AI生成产品评价摘要  阿里云推出通义万相AI绘画大模型  QQ音乐业内率先推出「AI一起听」功能，领取你的AI听歌助手  联合国秘书长称支持建立全球人工智能监管机构  Unity发布Sentis和Muse AI工具，助力创作游戏和3D内容  山东机器人编程：Scratch编程基础，认识舞台！~济南机器人编程  Gartner发布中国企业人工智能趋势浪潮3.0  鸿蒙OS 4将实现AI大模型集成，余承东表示坚持AI辅助而非AI取代  海柔创新携手SAP，以机器人技术助力全球客户升级数智化竞争力  国宝级文物“铜兽驮跪坐人顶尊铜像”完成模拟拼接，腾讯AI立功  美图吴欣鸿：希望更多人用上AI时代的影像生产力工具  生成式AI对云运维的3大挑战  人工智能如何用于家庭安全  张朝阳与陆川谈AI：ChatGPT是鹦鹉学舌思维，不可能取代人类 | 把脉AI大模型  2025年的网络分区：人工智能和自动化如何改变事物  静安大宁功能区企业云天励飞亮相2025世界人工智能大会，秀出AI硬实力！  Moka AI产品后观察：HR SaaS迈进AGI时代  AI技术加速迭代：周鸿祎视角下的大模型战略  大型无人机FH-98国内首次夜航转场成功  OpenAI限制网络爬虫访问以保护数据免被用于AI模型训练  「模仿学习」只会套话？解释微调+130亿参数Orca：推理能力打平ChatGPT  杀入生成式AI的亚马逊云科技，能否再次生成未来？  海南省公安机关警用无人机培训班结业并举行警航比武演练  会模仿笔迹的AI，为你创造专属字体  2025 世界人工智能大会闭幕，32 个重大产业签约总额达 288 亿元  V社回应拒绝上架含 AI 生成内容的游戏：审核政策正在调整中