EMOVA：能看、能听、会说，还情感丰富的多模态全能助手

香港科技大学等机构提出EMOVA，一种能处理图像、文本和语音的多模态智能助手。该模型结合视觉编码器、语义声学分离的语音分词器和情感控制模块，实现端到端的全模态处理。EMOVA在多个基准测试中表现优异，特别是在视觉理解和情感丰富的语音生成方面，展现了巨大潜力。
来源：https://mp.weixin.qq.com/s/e2KkDjqbWNy7wSv0geCNUg