使用场景

作为语音助手，为用户提供多语言语音翻译和语音问答服务

在教育领域，通过视觉和语音输入辅助学生学习数学和科学知识

用于内容创作，根据图像或音频输入生成相关的文本描述

产品特色

支持文本、图像和音频输入，生成文本输出

支持多种语言的文本（如英语、中文、法语等）和音频（如英语、中文、德语等）

具备强大的自动语音识别和语音翻译能力，超越现有专家模型

能够处理多图像输入，支持视觉问答、图表理解等任务

支持语音总结和语音问答，提供高效的音频处理能力

使用教程

1. 访问 Hugging Face 网站，找到 Phi-4-multimodal-instruct 模型页面

2. 根据需求选择合适的输入格式（文本、图像或音频）

3. 使用模型的 API 或本地加载模型进行推理

4. 对于图像输入，将图像转换为支持的格式并上传

5. 对于音频输入，确保音频格式符合要求，并指定任务（如语音识别或翻译）

6. 提供提示文本（如问题或指令），模型将生成相应的文本输出

7. 根据输出结果进行进一步处理或应用