腾讯于 Hugging Face 平台正式发布 Ex-Omni 11B 模型，这是一个面向全模态（omni-modal）响应生成的开源项目。该系统能够接收文本或语音输入，并同步生成响应文本、语音单元（可解码为音频）以及 52 维面部 blendshape 系数，用户还可选择将其渲染为说话人脸视频，实现从语言到 3D 面部动画的端到端生成。

Ex-Omni 的模型参数规模为 11B，其研究论文由香港中文大学（深圳）的 Haoyu Zhang、Tianshu Yu，LIGHTSPEED 的 Zhipeng Li，以及独立研究者 Yiwen Guo 共同完成，论文已提交至 arXiv（编号 2602.07106）。项目在 Hugging Face 上的仓库显示，模型权重、代码及演示脚本均已开放，开发者可通过 `deploy.py` 启动本地 Gradio 演示，默认端口为 8080。

从技术架构看，Ex-Omni 整合了多个模块：语言模型负责核心推理，语音编码器（基于 Whisper）处理输入音频，语音投影器与生成器负责语音合成，而 blendshape 生成器则负责将语义映射到面部动画参数。渲染环节支持两种网格模板：EmoTalk（来自 UniTalker 项目）和 Claire（来自 NVIDIA Audio2Face 数据集），用户可根据需要选择。

值得注意的是，Ex-Omni 的语音解码部分复用了 GLM-4-Voice-Decoder 的 Flow 和 HiFT 检查点，后者由智谱 AI 开源。项目在致谢中明确提到，其实现参考了 OpenOmni、LLaMA-Omni2、EmoTalk 和 UniTalker 等开源项目，体现了当前多模态模型社区相互借鉴、快速迭代的特点。

从产业视角看，Ex-Omni 的发布将 3D 面部动画生成 直接融入大语言模型的输出管线，意味着 AI 助手不仅能“说话”，还能以带有面部表情的虚拟形象呈现。这对于数字人直播、虚拟客服、在线教育等应用场景具有潜在价值，可能降低开发者构建逼真交互界面的门槛。同时，该模型基于开源生态，开发者可自由修改和部署，有望加速多模态交互技术在消费级产品中的落地。

不过，Ex-Omni 目前仍属于研究性开源项目，其实际效果和稳定性有待社区验证。模型仓库中提示用户需自行下载网格模板并转换为 `.npz` 格式，安装过程也涉及 PyTorch3D 等依赖，部署存在一定技术门槛。此外，模型对计算资源的需求（11B 参数）意味着推理时可能需要较高配置的 GPU，这或将成为其在端侧设备上应用的制约因素。

总体而言，腾讯此次开源 Ex-Omni，延续了其在多模态大模型领域的技术布局，也为 AI 与 3D 视觉的交叉研究提供了一个可复现的基准。随着类似模型的不断涌现，AI 交互正从纯文本/语音向“语音+表情+动作”的复合形态演进，这或将重塑虚拟角色和智能助手的用户体验。