快讯

Sora 2 史诗级更新！ 所有免费用户都能生成 15 秒长度的视频了！ 同时 Pro 用户还可以生成 25 秒长度的视频！ Pro 用户可以在网页使用故事板功能，按秒精确控制分镜和画面内容。这个故事板配合原生 1080P 支出的 Pro 模型画面加上提示词遵循和语音、音乐生成。 直接把视频模型拉到下个时代了，现在一次直接生成完整的可发布视频真不是问题

摘要： 专为实体人工智能和机器人技术设计的 NVIDIA Jetson AGX Thor 开发者套件和生产模块现已正式上市。 超过 200 万开发者正在使用英伟达的机器人技术栈，Agility Robotics、亚马逊机器人、波士顿动力、卡特彼勒、Figure、Hexagon、美敦力（Medtronic）和 Meta 等公司已成为 Jetson Thor 的早期用户。 Jetson Thor 由 …

2025年8月28日，腾讯优图实验室（Tencent Youtu Lab）正式开源HunyuanVideo-Foley，一个端到端的文本-视频-音频（Text-Video-to-Audio, TV2A）生成框架。这款专业级AI音效生成工具专为视频内容创作者设计，通过多模态扩散模型和创新的表示对齐技术，生成与视频画面和语义高度同步的高保真音效。HunyuanVideo-Foley在VGGSound-…

近日，腾讯优图实验室（Youtu Lab）在 AI 领域再添力作，正式宣布开源其多模态智能体框架 Youtu-Agent。这一开源项目旨在为开发者提供一个高效、灵活的工具集，用于构建和部署能够处理图像、视频和文本等多种模态信息的智能体（AI Agent）。Youtu-Agent 的发布，不仅是腾讯在多模态大模型领域的又一重要贡献，更将加速 AI 智能体技术的普及和创新。   Youtu-…

OpenAI 在 AI 领域的创新步伐从未停止。近日，该公司悄然上线了其最新的语音模型 GPT-Realtime。这款模型最大的突破在于其超低延迟的实时语音对话能力，将 AI 交互的流畅度提升到了一个全新的高度。这意味着，我们与 AI 的对话将不再是“你问我答”的等待模式，而是像与真人交流一样，可以实现即时、无缝的语音互动。   为什么说 GPT-Realtime 具有革命性？ &nbs…

谷歌近日在 AI 视频生成领域投下了一颗重磅炸弹：正式推出了 Google Vids。这款全新的工具不再是简单的视频剪辑器，而是一个全能的 AI 视频创作助手，旨在通过智能化的方式，让任何人都能轻松制作出高质量的短视频。从最初的脚本构思到最终的视频成片，Vids 将每一个环节都变得简单快捷，极大地降低了视频制作的门槛。   Vids：从文字到视频，一气呵成   Google V…

2025年8月26日，Google DeepMind正式揭开“Nano Banana”之谜，确认其为Gemini 2.5 Flash Image模型。这款先进的图像生成与编辑工具以其卓越的角色一致性、多图像融合和自然语言编辑能力，在LMArena排行榜上一举夺魁，引发社交媒体热议。通过Gemini API、Google AI Studio和Vertex AI向开发者开放，Nano Banana以每…

2025年8月26日，Google DeepMind正式推出Gemini 2.5 Flash Image（代号“nano-banana”），一款先进的图像生成与编辑模型。这款模型以其强大的多图像融合、角色一致性和自然语言编辑能力，迅速成为AI图像处理领域的焦点。Gemini 2.5 Flash Image通过Gemini API、Google AI Studio和Vertex AI向开发者与企业开…

微软亚洲研究院近日再次向开源社区投下一枚重磅炸弹：正式发布 VibeVoice-1.5B。这款模型不仅仅是简单的语音合成，它能让静态的人物照片“开口说话”，甚至“唱歌”，将静态图像与动态音频完美融合。这标志着 AI 语音和视觉生成技术又一次实现了重大飞跃，为数字内容创作开辟了全新的想象空间。   VibeVoice-1.5B：一张图片，无限可能   VibeVoice-1.5B…

2025年8月23日，xAI宣布将其Grok 2.5模型开源，模型权重已上架Hugging Face平台，供全球开发者与研究者免费下载与使用。xAI创始人埃隆·马斯克通过X平台宣布，这一举措标志着xAI对AI透明化与社区协作的持续承诺，同时透露Grok 3将在约六个月后（2026年2月）开源。Grok 2.5的开源不仅为AI生态注入活力，还进一步挑战OpenAI等闭源模型的行业主导地位。 核心亮点…

2025年8月22日，Meta宣布与生成式AI初创公司Midjourney达成战略合作，授权其“美学技术”（Aesthetic Technology）用于Meta未来模型和产品。这一消息由Meta首席AI官Alexandr Wang通过Threads发布，标志着Meta在AI视觉领域的重大布局。合作将联合双方研发团队，旨在提升Meta平台（如Facebook、Instagram和WhatsApp）…

2025年8月21日，阿里巴巴在新加坡面向全球开发者推出Qoder，这款AI驱动的智能编程平台（Agentic Coding Platform）以其强大的代码库理解能力和自动化工作流迅速引发热议。Qoder不仅支持自然语言交互，还能自主完成从规划到测试的端到端开发任务，号称将软件开发从“AI辅助”推向“AI委托”时代。目前，Qoder已进入免费公测阶段，全球开发者可通过官网体验。 核心亮点：深度代…

近日，阿里巴巴开源了一个全新的语音识别（ASR）模型 Fun-ASR，在语音识别领域引发了广泛关注。与传统 ASR 模型不同，Fun-ASR 不仅在识别精度上达到了业界顶尖水平，更在多模态融合方面取得了突破性进展，为 AI 语音交互和多媒体内容理解开启了新的可能性。   为什么说 Fun-ASR 是一个大突破？   传统的语音识别模型主要依赖音频信息进行识别，而 Fun-ASR…

2025年8月20日，ElevenLabs宣布其v3 Alpha API正式上线，这一突破性的文本转语音（Text-to-Speech, TTS）API为开发者提供了前所未有的语音生成能力。v3 Alpha API以其对话模式（Dialogue Mode）、70多种语言支持和高级音频标签（Audio Tags）控制，重新定义了AI语音的表达力与真实感，已被HeyGen、Poe等行业领先企业集成，广…

2025年8月，快手Klear团队推出Klear-Reasoner，这款基于Qwen3-8B-Base的推理模型以其卓越的数学和代码推理能力迅速登顶8B模型榜首。在AIME2024测试中，Klear-Reasoner数学推理准确率突破90.5%，在LiveCodeBench等编程基准测试中也表现亮眼。这一完全开源的模型不仅公开了训练细节，还通过创新的GPPO算法为AI推理领域树立了新标杆。 Kle…

2025年8月19日，杭州深度求索（DeepSeek）通过官方微信群悄然发布DeepSeek V3.1，这是对其旗舰大语言模型DeepSeek V3的重大升级。V3.1以685亿参数和128K超大上下文窗口为亮点，不仅提升了推理、编码和数学能力，还保持了低成本和开源特性，迅速引发AI社区热议。这款模型被认为是开源AI领域的又一里程碑，进一步缩小了与闭源模型的差距。 DeepSeek V3.1核心亮…

对于开发者和团队来说，用 AI 编码工具来提升效率已是大势所趋。然而，每家工具都有自己的配置方式，导致项目代码库里充斥着 .cursor/rules、CLAUDE.md 等各种专有文件，不仅混乱，而且难以维护。 为了解决这一痛点，OpenAI 近期主导发起了一项名为 AGENTS.md 的开放标准。你可以把它想象成是为 AI 编码代理量身定制的 README 文件。这个简单的 Markdown 文…

知名 AI 语音技术公司 ElevenLabs 近日再次突破创新，在其核心产品 ElevenLabs Studio 中正式发布了革命性的新功能——Video-to-Music。这项功能利用强大的 Eleven Music AI 模型，让用户只需一键操作，即可为任意视频自动生成定制化的背景音乐。这不仅极大地简化了视频制作流程，也为内容创作者们带来了前所未有的便利。   一键配乐，AI 懂你…

2025年8月，腾讯AI实验室（Tencent ARC）正式推出ToonComposer，这款基于生成式AI的卡通动画制作工具迅速引发行业热议。ToonComposer通过创新的“后关键帧”技术，将传统动画制作中的补间动画（inbetweening）和上色（colorization）合二为一，极大简化了卡通和动漫的制作流程，为创作者提供高效、便捷的解决方案。 ToonComposer核心技术：后关…

2025年8月19日，阿里巴巴旗下阿里云通义千问团队重磅推出Qwen-Image-Edit，这款基于20亿参数的图像编辑模型迅速成为业界焦点。Qwen-Image-Edit继承了Qwen-Image的强大文本渲染能力，并将其扩展至图像编辑领域，带来语义与外观双重编辑的创新体验。无论是精准修改图片中的文字，还是实现复杂的风格迁移，这款模型都展现了惊艳的表现。 Qwen-Image-Edit核心亮点：…

原文连接