Tag Qwen-Audio

Qwen 论文专题系列第八篇——Qwen 多模态全家桶第二根支柱 Qwen-Audio 系列。从 2023-11 Qwen-Audio（arXiv:2311.07919）到 2024-07 Qwen2-Audio（arXiv:2407.10759）两代。核心命题是同一个：用一个 LLM 统一覆盖三类音频（speech / 自然声 / 音乐）+ 30+ 个音频任务，不需要为 ASR / 语音翻译 / 音频分类 / 音乐情感识别分别训独立模型。本文讲解 Whisper encoder + adapter + LLM 统一架构、Hierarchical 三层标签训练范式（audio_lang × task × fine_tag）、Qwen2-Audio 的 Voice Chat + Audio Analysis 双模式、DPO 后训练、与 SALMONN / Pengi / GAMA 等业界方案对比，以及 Qwen-Audio 对 Qwen2.5-Omni（TMRoPE + Thinker-Talker）的奠基贡献。