酷！接近GPT-4o级别的开源实时视觉语音交互模型：VITA-1.5，能看懂图片视频，理解你的问题，用语音回答你

端到端语音交互时延从约4秒缩短到了1.5秒语音识别WER(词错误率)从18.4%降到了7.5%

LLM #VITA15 #VITA #GPT4o #语音交互模型