通义听悟

通义听悟是阿里云推出的一款基于大模型的工作学习 AI 助手。它主要针对音视频内容提供转写、检索、摘要和整理等功能。具体而言，能实时记录交流内容并同步翻译，批量转写音视频文件且区分发言人，智能提炼全文概要、章节速览和发言总结，提取视频中的 PPT 并总结摘要，自动提取关键词和待办事项，编辑整理笔记并导出分享。通义听悟依托大模型技术，帮助用户更高效地记录、整理和分析音视频内容，提高工作和学习效率。它于 2023 年 6 月 1 日开始公测，并在 2023 年 11 月的云栖大会上正式上线。 同时，通义听悟也是免费的会议语音转文字工具之一，不过大部分此类工具都有使用的时间限制，超过一定的免费时间后就需要付费。更多会议记录工具请访问网站：https://waytoagi.com/sites/category/29 。以下是几款推荐的工具： 飞书妙记：https://www.feishu.cn/product/minutes ，飞书的办公套件之一。 讯飞听见：https://www.iflyrec.com/ ，讯飞旗下智慧办公服务平台。 Otter AI：https://otter.ai/ ，转录采访和会议纪要。

以下是通义听悟的安装步骤： 1. 回到宝塔，选择 Docker（如果如图显示“当前未安装”，就跟着以下步骤安装。如果已安装则无需此步）。 2. 选择并点击确定，等待安装完成。安装完成后，刷新当前页面。看到显示安装成功的页面，则表示安装成功。 3. 打开左侧【终端】，粘贴以下两行，验证 Docker 是否可用。看见版本号，即表示没问题。 4. 一条一条复制以下命令，依次粘贴进入。 5. 访问 OneAPI。访问地址：http://这里改成您自己宝塔左上角的地址:3001/（举例：http://11.123.23.454:3001/）。账号默认 root，密码 123456 。 6. 点击【渠道】，类型选择阿里通义千问，名称随意，类型不用删减。 7. 把千问里创建的 API Key 粘贴到秘钥里中，点击确认。 8. 点击【令牌】【添加新令牌】。 9. 名称随意，时间设为永不过期、额度设为无限额度。点击【提交】。 10. 点击【令牌】，会看到自己设置的。点击复制，出现 key，然后在标红那一行中，自己手动复制下来。 另外，您还可以通过以下链接安装通义灵码：https://lingma.aliyun.com/lingma/ 。在 vscode 中安装通义零码的步骤包括在应用商店搜索、安装及相关设置。

目前通义听悟对于在会议中同时存在粤语、普通话和英语的情况，其区分能力可能会受到多种因素的影响，例如语音的清晰度、口音的差异、语言的复杂程度等。但具体能否准确区分，还需要根据实际使用情况来判断。

通义听悟是阿里云推出的一款基于大模型的工作学习 AI 助手。它主要针对音视频内容，具有以下功能： 1. 实时记录交流内容并同步翻译。 2. 批量转写音视频文件并区分发言人。 3. 智能提炼全文概要、章节速览和发言总结。 4. 提取视频中的 PPT 并总结摘要。 5. 自动提取关键词和待办事项。 6. 编辑整理笔记并导出分享。 通义听悟依托大模型技术，能够帮助用户更高效地记录、整理和分析音视频内容，提高工作和学习效率。它于 2023 年 6 月 1 日开始公测，并在 2023 年 11 月的云栖大会上正式上线。

通义听悟是阿里云推出的一款基于大模型的工作学习 AI 助手。它主要针对音视频内容提供转写、检索、摘要和整理等功能。具体而言，通义听悟能够实时记录交流内容并同步翻译，批量转写音视频文件且区分发言人，智能提炼全文概要、章节速览和发言总结，提取视频中的 PPT 并总结摘要，自动提取关键词和待办事项，还能编辑整理笔记并导出分享。通义听悟依托大模型技术，可帮助用户更高效地记录、整理和分析音视频内容，提高工作和学习效率。它于 2023 年 6 月 1 日开始公测，并在 2023 年 11 月的云栖大会上正式上线。

通义听悟是阿里云推出的一款基于大模型的工作学习 AI 助手。它主要针对音视频内容，具备以下功能： 实时记录交流内容并同步翻译。 批量转写音视频文件并区分发言人。 智能提炼全文概要、章节速览和发言总结。 提取视频中的 PPT 并总结摘要。 自动提取关键词和待办事项。 编辑整理笔记并导出分享。 通义听悟依托大模型技术，能帮助用户更高效地记录、整理和分析音视频内容，提高工作和学习效率。它于 2023 年 6 月 1 日开始公测，并在 2023 年 11 月的云栖大会上正式上线。

以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。

以下是关于通义提示词的相关教程： 1. 小七姐的 Prompt 喂饭级系列教程小白学习指南（一）： 提示词的理解：如果您是低年级学生看不懂英文问题，可让 GPT 为您翻译和解释，并让其举例帮助理解。 应用方法：对于没看懂的句子，都可以通过提示词让 GPT 换种说法解释和举例。 自测方法：点击链接查看对话原文，顶部的问题可复制作为 prompt 自行提问。 下一节将带来 prompt 小白系列课程（二）如何开始练习有效提问。 2. 不懂代码，也能 3 小时打造并上架一款 AI 插件： 初版提示词：如果不了解如何从 0 1 编写词生卡 Prompt，请阅读前作，这套提示词在后续测试中，在多种模型中都能保持较高成功率和稳定的预期效果。 3. SD 新手入门图文教程： 提示词语法：根据想画的内容写提示词，多个提示词之间用英文半角符号。一般概念性、大范围、风格化的关键词写在前，叙述画面内容的其次，描述细节的最后。每个词语在模型中的自带权重可能不同，特异性、具体且措辞不抽象的关键词效果更好。可使用括号人工修改提示词的权重。

以下是阶跃星辰、通义千问、Gemini 三个视频理解模型的收费情况： 阶跃星辰：输入价格为 0.005～0.015 元/千 tokens，输出价格为 0.02～0.07 元/千 tokens。 通义千问：Qwenvlplus 模型调用价格为 0.008 元/千 tokens，训练价格为 0.03 元/千 tokens。 Gemini 未提及收费信息。 综上，从已有的信息来看，通义千问的收费相对可能更便宜，但具体还需根据您的使用情况和需求来判断。

通义千问的 Qwen2.5VL 视频理解模型具有以下特点和使用方式： 版本：推出 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作，如给指定朋友送祝福、电脑修图、手机订票等。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai

根据提供的信息，阿里通义在 11 月的活跃用户为 147 万人，WEB 月活为 141 万人，APP 月活为 355 万人，全网月活为 496 万人。在 9 月的活跃用户为 529 万人。

通义千问是阿里云推出的大语言模型。于 2023 年 4 月 11 日在阿里云峰会上正式发布 1.0 版本。9 月 13 日，通义千问大模型首批通过备案。10 月 31 日，阿里云正式发布千亿级参数大模型通义千问 2.0，8 大行业模型同步上线。9 月，通义千问 2.5 系列全家桶开源。