接近GPT-4o级别的开源实时视觉语音交互模型：VITA-1.5

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%。

参考文献：
[1] github：https://github.com/VITA-MLLM/VITA