模型

如果你曾幻想过——只需输入一段歌词和一句描述（如“一首欢快的流行歌，吉他伴奏，副歌要有电子音效”），AI 就能生成一首结构完整、音质高保真的歌曲——那么 HeartMuLa 项目正将这一愿景变为现实...

在虚拟角色、游戏动画或人机交互中，如何让 AI 根据自然语言描述生成逼真且可控的人体动作，一直是计算机图形学与 AI 领域的挑战。现有方法大多只能生成整体动作（如“走路”“跳舞”），难以对手臂、腿部...

谷歌发布 TranslateGemma —— 一套基于 Gemma 3 构建的全新开源翻译模型家族，包含 4B、12B 和 27B 三种参数规模，支持 55 种语言 的高质量互译。更重要的是，它在效率...

黑森林实验室（Black Forest Labs）今日正式推出 FLUX.2 [klein] 模型系列——这是目前速度最快、体积最小的高质量图像生成模型家族。它将文生图、图像编辑与多参考图生成统一于单...

智谱AI推出的GLM-TTS是一款基于大语言模型的文本到语音合成系统，创新性采用LLM+Flow模型的两阶段架构，不仅实现了零样本语音克隆、流式推理等实用功能，还通过多奖励强化学习框架，大幅提升了语音...

智谱AI正式推出GLM-Image——业界首个开源的工业级离散自回归图像生成模型。这款模型创新性地采用自回归模块+扩散解码器的混合架构，既继承了自回归模型对复杂语义的精准理解能力，又兼具扩散模型高保真...

在大模型普遍走向百亿、千亿参数的今天，腾讯优图实验室推出了一款仅 1.96B 参数的轻量级语言模型——Youtu-LLM。它不追求规模堆砌，而是以 STEM 能力与原生智能体（Agentic）能力为核...

ElevenLabs 正式发布 Scribe v2——一款专为大规模音视频内容处理设计的新一代语音转文字模型。与主打低延迟的 Scribe v2 Realtime 不同，Scribe v2 面向批量转...

在多模态 AI 应用日益普及的今天，如何高效检索混合了文本、图像、截图甚至视频的内容，仍是技术难点。传统方案往往依赖多个专用模型，导致系统复杂、语义割裂。 官方说明：https://qwen.ai/b...

长久以来，视频 AI 能力被割裂为多个独立任务： 理解：靠视觉语言模型（如 Qwen-VL） 生成：依赖扩散模型（如 Sora、HunyuanVideo） 编辑：需专门的编辑网络或掩码引导 这种碎片化...

英伟达推出的 Nemotron-Speech-Streaming-En-0.6B 是 Nemotron Speech 系列中的首个统一语音识别（ASR）模型，专为实时英语转录场景设计。它同时支持低延迟...

Lightricks发布了首个基于 Diffusion Transformer（DiT） 架构的开源音视频联合生成模型LTX-2。它在一个统一框架中集成了现代视频生成的核心能力：同步的音频与视频输出...