SALMONN听觉大语言模型

SALMONN 是清华大学电子工程系与字节跳动火山语音团队联手开源的全新听觉大语言模型。

SALMONN 支持语音、音频以及音乐输入，它可以感知和理解不同类型的音频内容输入，并具备多语言语音识别和翻译以及语音推理等功能。

SALMONN 与传统的语音识别、音频字幕生成等语音和音频处理任务相比具备更好的通用性，同时可以准确地听从使用者的指令。

目前 SALMONN 能够胜任英语语音识别、英语到中文的语音翻译、情感识别、音频字幕生成、音乐描述等重要的语音和音频任务，同时又涌现出多种在模型训练中没有专门学习过的多语言和跨模态能力，涵盖非英语语音识别、英语到（中文以外）其他语言的语音翻译、对语音内容的摘要和关键词提取、基于音频的故事生成、音频问答、语音和音频联合推理等任务。

Demo 链接：https://bytedance.github.io/SALMONN/