Audio8 TTS 小模型支持 23 种语言语音生成
Audio8-TTS-Realistic-Air 基于 0.6B 级架构,支持文本转语音和零样本声音克隆。模型卡列出 23 种支持语言,并提供交互试玩入口、模型权重和 44.1kHz 音频编解码器。
查看产品动态栏目最近发布的新闻与相关消息。
共 123 篇
Audio8-TTS-Realistic-Air 基于 0.6B 级架构,支持文本转语音和零样本声音克隆。模型卡列出 23 种支持语言,并提供交互试玩入口、模型权重和 44.1kHz 音频编解码器。
小米研究团队公开 Xiaomi-OCR-0,面向文档解析和围绕文字的视觉理解。模型基于 Qwen3.5-0.8B-Base,官方模型卡介绍了约 1.7 亿条训练样本及渐进式训练流程。
Google Research 宣布公开推出 Deep Review,将复杂技术文档的反馈与核查能力从学术论文扩展到更多知识文档。公告提到,系统此前已在多个计算机科学会议的投稿场景中使用。
Liquid AI 的 d1-2B 面向路由、分类、文档提取、审核和重排序等判断任务。它接收文字、图片或视频,通过一次前向计算返回结果,不像聊天模型那样逐个生成回答 token。
Sperid Labs 的 Idol 可以把一张物体图片转换为 3D Gaussian Splat,先去除背景、确定物体范围,再生成可由常见查看器打开的 PLY 文件。作者报告可输出超过一百万个高斯单元。
LFM3-Audio-2B 接收文字或音频,能够输出文字、语音或两者交织的回答,面向笔记本和边缘设备。模型采用自研音频编码器及 LiquidCodec,并提供转写和语音合成示例。
Pika H3 Flex 用六步采样生成视频和同步音频,并通过参考素材及提示控制镜头。公开模型支持本地 480p、768p 原生输出,托管 API 则提供更高分辨率和额外制作功能。
DiffuSpace 的 Clover-35B-A3B-Preview 基于 Qwen3.6 架构,结合块扩散生成与混合专家机制,总参数约 35B,每 token 激活约 3B 参数,支持 128K 上下文。
Mistral 在官方模型库公开 Large 4,一款万亿总参数规模的原生多模态混合专家模型。官方把指令跟随、推理、编程和智能体流程整合进同一组权重,并提供 API 与量化版本。
Liquid AI 的 LFM3-VL-2B 接收文字、图像与视频,面向本地文档阅读、图表理解、屏幕识别和物体定位。模型把 LFM3 语言部分与新的自研视觉编码器结合。
Anthropic 公布 2026 年使用政策更新,生效时间为 11 月 12 日。新版本进一步说明了欺骗性活动、武器相关软件、监控,以及医疗、金融等高风险用途的要求。
LFM3-Omni-2B 是 Liquid AI 的端到端全模态模型,可以理解文字、图像、视频和音频,并用文字或语音回答。其目标是在端侧把原本分开的识别、视觉理解、语言和语音合成组件合并。
英伟达公开 Nemotron 3.5 Transcribe,支持 40 种语言的离线转写,可处理最长一小时录音,并提供翻译、说话人归属、时间戳和音频问答等功能。权重包含多种精度版本。
Anthropic 将网络安全验证计划扩展为防御、红队和专项访问三个层级,并把此前 Project Glasswing 的相关安排整合进来。申请方可按工作范围接受不同程度的身份与用途审核。
Liquid AI 的 LFM3-1.7B 采用新的三混合架构,面向本地智能体、工具调用、结构化输出和领域定制。官方提供原始模型和 GGUF 版本,方便按推理框架与硬件选择。
百度的 Unlimited OCR 2 提供 Transformers 和 SGLang 使用方式,支持将整份文档的页面按顺序放入同一个请求,从而在解析中利用跨页上下文。
南北阁公开 Nanbeige4.3-33B,重点面向编程和职业协作任务。团队先构建较高能力的教师智能体,再计划将相关能力蒸馏到更小的模型。
Spark-X2.6-4B 保持上一代的架构,通过改进后训练增强编程、智能体、多语言和长上下文能力。官方公开了 Transformers 格式权重,以及部署和推理配置示例。
Recursive 的 Flint 面向代码库调查、修复错误、实现功能和编写测试,支持文字输入输出、推理及多轮工具调用。模型约有 39.8B 总参数,每 token 激活约 2.5B 参数。
DeepSeek 官方公布 V4.1-Flash-1017 小版本更新,称其改善了推理、编程、智能体和视觉任务,并减少部分任务的执行时间与输出长度。模型与仓库采用 MIT 许可证。
Black Forest Labs 提供面向 ComfyUI 的 FLUX 3 Image Klein 文件,支持指令编辑、文生图、最多十张参考图组合及边界框布局控制。文件包包含基础和蒸馏版本,以及不同精度选项。
Meta 的 SAM 3 支持文字或视觉提示,可检测、分割并跟踪符合某个概念的物体。相比只指定一个位置,它能够按短语或示例寻找图像中所有匹配实例。
Qwen 官方公开 Qwen3.8-27B 权重,支持图像、视频理解和可调思考模式,重点加强编程、专业工作、研究及长流程智能体任务。模型沿用 Qwen3.5 的架构基础。
Lightricks 的 LTX-2.5 提供开放权重,可根据文字、图像和视频输入生成同步音视频,并支持本地运行和微调。文件按组件拆分,方便与 ComfyUI 工作流及命令行管线衔接。
MAI Licensed Weights 将允许企业在自身 Azure 环境中部署和调整微软模型,控制访问与升级;该计划仍标为即将通过 Frontier Company 合作开放。