MinMo est un grand modèle linguistique multimodal développé par les laboratoires Tongyi d'Alibaba Group. Comportant environ 8 milliards de paramètres, il se concentre sur la réalisation d'une interaction vocale transparente. Entraîné sur 1,4 million d'heures de données vocales diversifiées et un large éventail de tâches vocales, il a suivi plusieurs étapes d'entraînement, notamment l'alignement voix-texte, texte-voix, voix-voix et l'alignement interactif en duplex intégral. MinMo atteint des performances de pointe dans divers benchmarks de compréhension et de génération vocale, tout en conservant les capacités des grands modèles linguistiques textuels. Il prend en charge les conversations en duplex intégral, c'est-à-dire la communication bidirectionnelle simultanée entre l'utilisateur et le système. De plus, MinMo propose un décodeur vocal novateur et simple, surpassant les modèles précédents en matière de génération vocale. Sa capacité à suivre les instructions est améliorée, permettant de contrôler la génération vocale selon les instructions de l'utilisateur, y compris des détails tels que les émotions, le dialecte et la vitesse de parole, et d'imiter des voix spécifiques. Le délai de transcription vocale de MinMo est d'environ 100 millisecondes, le délai en duplex intégral est théoriquement d'environ 600 millisecondes et en pratique d'environ 800 millisecondes. Le développement de MinMo vise à surmonter les principales limitations des modèles multimodaux d'alignement précédents, afin d'offrir aux utilisateurs une expérience d'interaction vocale plus naturelle, fluide et humaine.