GPT-4o式的多模態(tài)大模型（LMMs）展現(xiàn)出在文本、視覺和語音模態(tài)上的全能能力，其在線語音服務還能在語音交互過程中同步提供中間文本結果（即用戶輸入和模型響應的轉錄內容），為用戶提供“邊看邊聽”的靈活交互體驗。因此，如何構建支持文本、視覺和語音三種模態(tài)的多模態(tài)大模型成為近期研究熱點?，F(xiàn)有的多模態(tài)大模型通常利用多個編碼器提取各個模態(tài)的表示，然后將各模態(tài)表示沿序列維度拼接并輸入至大語言模型基座中以生成回復。這些基于拼接的方法簡化了模態(tài)集成過程，但它們在很大程度上依賴大規(guī)模數(shù)據(jù)，以數(shù)據(jù)驅動的方式學習模態(tài)對齊。此外，這種基于拼接的維度對齊方式缺乏足夠的靈活性，無法像 GPT-4o 那樣在語音交互過程中同時生成中間文本結果。

為應對這一挑戰(zhàn)，中國科學院計算技術研究所自然語言處理團隊提出了文本-視覺-語音多模態(tài)大模型——Stream-Omni，其能同時支持各種模態(tài)組合下的交互。通過對各模態(tài)間的關系進行更有針對性的建模，Stream-Omni實現(xiàn)了更加高效和靈活的文本-視覺-語音模態(tài)對齊。僅依賴包含2.3萬小時語音的多模態(tài)數(shù)據(jù)，Stream-Omni即可具備文本交互、語音交互、基于視覺的語音交互等各種模態(tài)上的交互能力。與此同時，依賴于創(chuàng)新的語音建模方式，Stream-Omni能在語音交互過程中像GPT-4o一樣同步輸出中間文本轉錄結果，為用戶提供全方位的多模態(tài)交互體驗。

• 論文題目：Stream-Omni: Simultaneous Multimodal Interactions with Large Language-Vision-Speech Model
• 論文鏈接：https://arxiv.org/abs/2506.13642
• 開源代碼：https://github.com/ictnlp/Stream-Omni
• 模型下載：https://huggingface.co/ICTNLP/stream-omni-8b

Stream-Omni的模態(tài)對齊

現(xiàn)有多模態(tài)大模型中的模態(tài)對齊（如左圖所示）：在序列維度上將三種模態(tài)的表示進行拼接，輸入至大語言模型基座

為了減輕對大規(guī)模三模態(tài)數(shù)據(jù)的依賴，Stream-Omni更有針對性地建模各模態(tài)之間的關系，即語音與文本應在語義上高度一致，而視覺則在語義上對文本形成互補關系。因此，Stream-Omni對不同模態(tài)采用不同對齊方式（如右圖所示）：

• 視覺-文本對齊：序列維度的視覺文本拼接
• 語音-文本對齊：層級維度的語音文本映射

實現(xiàn)上，Stream-Omni 以大語言模型（LLM）為核心，并在其底部和頂部引入語音層，通過連接時序分類（Connectionist Temporal Classification，CTC）建模語音到文本的映射，此建模方式的優(yōu)勢在于：

• 支持通過語音模態(tài)進行外部交互，同時利用文本模態(tài)在內部控制生成的內容；
• 基于CTC的語音-文本映射為語音文本在表示和結構的對齊上提供更加直接的監(jiān)督，因此Stream-Omni 能夠在僅使用少量語音數(shù)據(jù)的情況下，將 LLM 主干的文本能力遷移至語音模態(tài)。
• 層級維度映射使得Stream-Omni 在語音交互過程中還能同步輸出中間文本結果（即指令和回復的轉錄文本），為用戶提供更全面的多模態(tài)體驗。

Stream-Omni

Stream-Omni以大語言模型作為主干，逐步將視覺和語音與文本對齊，高效地構建了一個支持文本、視覺和語音的多模態(tài)大模型。在視覺-文本對齊方面，Stream-Omni采用視覺編碼器和投影模塊提取視覺表示，并將其與文本表示進行拼接。在語音-文本對齊方面，Stream-Omni在 LLM 主干的底部和頂部分別引入若干語音層，用于將語音映射到文本以及基于文本生成語音。

視覺模態(tài)

基于視覺模態(tài)與文本模態(tài)之間具有語義互補性，Stream-Omni 采用LLaVA架構中的序列維度拼接的方式進行視覺-文本對齊。

語音模態(tài)

（1）語音離散化：Stream-Omni采用CosyVoice Tokenizer對語音輸入進行離散化，編碼為若干離散的語音單元（<Audio_72>< Audio_965>…）。

（2）語音到文本映射：為了充分利用LLM的能力，Stream-Omni在LLM的底部引入語音層，用于學習語音與文本之間的映射關系，從而將 LLM 中的文本能力遷移到語音模態(tài)中。Stream-Omni利用在ASR任務上的CTC損失直接監(jiān)督底部語音層語音表示，將其與文本模態(tài)對齊。

（3）文本生成：LLM基于輸入的視覺表示和語音表示，生成文本回復。

（4）文本到語音生成：Stream-Omni通過頂部語音層來完成文本到語音生成。為了在生成文本的同時生成語音單元，Stream-Omni在頂部語音層中引入了alignment-based fusion模塊。Alignment-based fusion沿用了StreamSpeech等實時生成研究中的同步生成策略，利用CTC對齊來指導同步生成過程。

任意模態(tài)組合下的多模態(tài)交互

Stream-Omni能夠通過靈活組合視覺編碼器、底部語音層、LLM、頂部語音層來實現(xiàn)任意模態(tài)組合下的交互。同時，由于層級維度語音文本映射，Stream-Omni能夠在語音到語音生成過程中提供中間的文本結果。

實驗結果

視覺理解能力

Stream-Omni和相同規(guī)模和數(shù)據(jù)量級的視覺大模型取得相當?shù)谋憩F(xiàn)。

語音交互能力

在事實性的語音交互上，Stream-Omni相比于現(xiàn)有方法具有優(yōu)勢，源于層級維度的語音文本映射將LLM的文本能力遷移到語音模態(tài)上。

基于視覺的語音交互能力

在本實例中，在指令分別通過文本和語音輸入的情況下，VITA-1.5 給出了兩個相互矛盾的回答：“不允許前往二樓”和“直接通往二樓”。這一在面對不同模態(tài)指令時產生的矛盾回應，源于沿序列維度拼接視覺、語音和文本表示來實現(xiàn)多模態(tài)對齊的方法，并未對語音與文本模態(tài)之間的語義進行嚴格對齊建模。相比之下，Stream-Omni 引入語音到文本的映射機制，實現(xiàn)了語音與文本表示之間更精確的語義對齊。因此，Stream-Omni 在不同模態(tài)下表現(xiàn)更加一致，無論指令是通過文本還是語音輸入，都能生成相似的響應。另外，Stream-Omni還能生成高質量的語音回復，更多實例請在https://github.com/ictnlp/Stream-Omni體驗。

總結

• Stream-Omni是一個GPT-4o式的文本-視覺-語音多模態(tài)大模型，能夠支持多種模態(tài)組合下的多模態(tài)交互。
• Stream-Omni能夠在語音交互過程中輸出中間文本結果，為用戶提供更全面的多模態(tài)交互體驗。
• Stream-Omni關注如何構建模態(tài)對齊，語音表現(xiàn)力等方面的增強不是本研究的重點，因此其在擬人化、音色多樣性等方面存在局限性。