跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

9月16日周三
  1. Epidemic Sound28

    Epidemic Sound 与牛津 VGG 合作推出音频检索框架 AuroLA,已上线音效搜索

    Epidemic Sound 与牛津大学 VGG 合作推出音频-文本检索框架 AuroLA,基于开源 Qwen2.5-Omni-7B,将多模态大模型同时用作快速检索与精排骨干,在所有测试基准上超越此前最优,训练数据量约为同类系统的 1%。该框架已投入生产,支撑 Epidemic Sound 的音效搜索,并开源了 1,297 条人工标注音效验证基准,采用 CC BY-NC-ND 4.0 许可。

9月14日周一
  1. Cartesia 官方博客22

    TTS 模型与音色不是一回事:Cartesia 解析固定说话人、多说话人与声音克隆

    Cartesia 官方博客指出,TTS 模型与它使用的音色是两个独立概念,音色更像输入而非模型本身。固定说话人模型只接收文本,多说话人模型可额外选择预设音色,零样本克隆模型则接受 10 到 60 秒参考音频作为提示,Cartesia 的 Sonic 端到端模型即支持 Instant Voice Cloning。专业声音克隆(PVC)需用更大录音数据集微调模型,耗时可达数小时。

9月10日周四
9月8日周二
9月3日周四
9月2日周三
  1. Google AI Blog22

    Google 2026 年 8 月 AI 动态盘点:Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列

    Google 发布 Gemini 3.7 Flash,主打编程与智能体,每百万 token 价格为首发 3.6 Flash 的一半;同期推出语音转文本模型 Gemini 3.5 Transcribe,面向语音智能体、实时字幕和通话后分析。Gemini 应用月活突破 10 亿,Gemini Omni 1.1 Flash 已在 Google Flow、AI Studio 等平台上线。

  2. Google AI Blog62

    Google 发布图像创作编辑工具 Google Pics

    Google 在 Workspace 下推出图像创作与编辑工具 Google Pics,基于 Nano Banana 图像生成与编辑模型,将在未来几周向所有 Google AI Pro 和 Ultra 订阅者及多数 Workspace 商业客户开放。

    推荐理由:Google 把图像生成与编辑工具接入 Workspace 应用,可据此判断团队出图流程是否要迁移。

8月28日周五
8月25日周二
  1. Hugging Face Blog62

    Gradio 推出 gr.Workflow:把 AI 管线做成可拖拽画布并自动生成 API

    Gradio 内置的 gr.Workflow 把 AI 管线描述为带类型节点的图,提供可拖拽画布,每个节点可运行、中间结果可见,同一张图同时是 REST API 并可一键部署到 Hugging Face Spaces。

    推荐理由:Gradio 把多步 AI 管线做成可视化图并自动暴露 REST 接口,可对照现有出片流程评估迁移成本。

8月11日周二
7月30日周四
7月23日周四
7月15日周三
  1. Hugging Face Blog36

    Real World VoiceEQ 发布:衡量语音 AI 的人类质感

    语音 AI 评测基准 Real World VoiceEQ 发布,覆盖 40 多个主流闭源与开源语音模型、15+ 评估维度和 60 多项指标,涵盖 ASR、TTS、S2S 与语音理解。该基准基于超 100 万条人工评分构建,含 785,000 条 TTS 评分和 48,000 条 STS 评分。评测显示 TTS 中没有任何系统配置在全部八个能力组均进入前五,语音模型"会说"强于"会听"。

7月6日周一
  1. Hugging Face Blog22

    PRX Part 4:我们的数据策略

    PRX 系列第四篇披露其数据管线:预训练数据由公开与内部数据集混合组成,用 VLM 重新生成图像长描述,再转为可流式训练的语料。团队改用 Qwen3-VL 文本编码器并在训练中实时计算文本 latent,实测吞吐损失约 3–4%(30 天训练多花约 1 天)。图像统一以 JPEG quality 92 编码,经实测首次重编码几乎不可察觉。

7月3日周五
  1. Google DeepMind34

    Google DeepMind 与 A24 宣布首个研究型合作伙伴关系

    Google DeepMind 与 A24 宣布达成首个研究型合作伙伴关系,将顶尖研究实验室与电影人导向的制片厂配对,帮助艺术家开发新工作流与技术。双方将围绕多个项目展开长期研发协作,Google 同时对 A24 进行了投资。合作初期聚焦弥合前沿技术与下一代娱乐之间的差距,具体目标与技术产出将随时间演进。

7月1日周三
6月11日周四
6月9日周二
5月19日周二
5月18日周一
  1. Google DeepMind84

    Google 发布 Gemini Omni Flash 视频生成模型

    Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言对话进行多轮编辑。

    推荐理由:Gemini 首个视频生成模型 Omni Flash 上线,支持多模态输入与对话式多轮编辑,可对照现有出片流程评估。

5月17日周日
  1. Google DeepMind62

    Google 将 SynthID 与 C2PA 内容验证扩展到搜索、Gemini 和 Chrome

    Google 宣布把内容透明度与验证工具扩展到 Search、Gemini、Chrome、Pixel 和 Cloud。SynthID 已为超过 1000 亿张图片和视频、6 万年音频打上水印,Gemini 中的 SynthID 验证已被使用 5000 万次,并将在数周内进入 Search 和 Chrome。

    推荐理由:Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini 和 Chrome,并开放 AI 内容检测 API,可观察内容溯源工具的平台化路径。

5月7日周四
5月4日周一
4月28日周二
4月21日周二
4月16日周四
4月10日周五
4月9日周四
  1. Hugging Face Blog62

    Overworld 发布 Waypoint-1.5 实时视频世界模型

    Overworld 发布实时视频世界模型 Waypoint-1.5,在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境,并新增面向更广消费级硬件的 360p 档,后续将支持 Apple Silicon Mac。

    推荐理由:Waypoint-1.5 把实时世界模型压到消费级显卡,720p 与 360p 双档让创作者可评估本地交互式生成的可行性。

4月2日周四
3月26日周四
  1. Google DeepMind62

    Google DeepMind 发布 Lyria 3 Pro 音乐生成模型

    Google DeepMind 发布 Lyria 3 Pro,可生成最长 3 分钟的曲目,并能按前奏、主歌、副歌、桥段等结构元素进行提示。该版本已上线 Vertex AI 公共预览、Google AI Studio 与 Gemini API,并接入 Google Vids、Gemini 应用和 ProducerAI;Lyria 3 与 Lyria 3 Pro 的输出均嵌入 SynthID 水印。

    推荐理由:Lyria 3 Pro 把单曲时长拉到 3 分钟并支持段落级提示,创作者可据此判断能否用于成片配乐。

3月23日周一