最新开源丨VITA-1.5：实时视觉与语音交互，1.5秒互动延迟
来源丨 HsuDan丶 PaperWeekly 近日，VITA-MLLM 团队宣布推出VITA-1.5，是一个开源的集成了视觉、语言和语音的多模态大语言模型，旨在实现类似 GPT-4o 水平的实时视觉和语音交互。 论文链接：
15 0 0
声浪
来源丨 HsuDan丶 PaperWeekly 近日，VITA-MLLM 团队宣布推出VITA-1.5，是一个开源的集成了视觉、语言和语音的多模态大语言模型，旨在实现类似 GPT-4o 水平的实时视觉和语音交互。 论文链接：