MinMo es un modelo de lenguaje grande multi modal desarrollado por el laboratorio Tongyi de Alibaba Group, con aproximadamente 8 mil millones de parámetros, enfocado en lograr una interacción de voz perfecta. Tras un entrenamiento en múltiples etapas, que incluye el alineamiento de voz a texto, texto a voz, voz a voz e interacción full-duplex, ha sido entrenado con 1.4 millones de horas de datos de voz diversos y una amplia gama de tareas de voz. MinMo ha alcanzado un rendimiento de vanguardia en diversas pruebas de referencia de comprensión y generación de voz, manteniendo al mismo tiempo las capacidades de los modelos de lenguaje grandes de texto y admitiendo conversaciones full-duplex, es decir, la comunicación bidireccional simultánea entre el usuario y el sistema. Además, MinMo presenta un descodificador de voz nuevo y sencillo que supera a los modelos anteriores en la generación de voz. La capacidad de MinMo para seguir instrucciones se ha mejorado, permitiendo controlar la generación de voz según las instrucciones del usuario, incluyendo detalles como la emoción, el dialecto y la velocidad del habla, e imitando voces específicas. La latencia de voz a texto de MinMo es de aproximadamente 100 milisegundos, mientras que la latencia full-duplex es teóricamente de unos 600 milisegundos, aunque en la práctica se sitúa en torno a los 800 milisegundos. El desarrollo de MinMo está dirigido a superar las principales limitaciones de los modelos multimodales alineados previamente, ofreciendo a los usuarios una experiencia de interacción de voz más natural, fluida y humana.