Qwen@Alibaba_Qwen精选AI 评分7878阿里发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增 TTS-Next 和 ASR-Next 两款模型，共五款模型覆盖理解、生成、交互与创作。
推荐理由：官方一次性给出五款音频模型的能力分工与降价幅度，可据此判断语音链路的选型与成本变化。
搜索“Udio”
找到 19 条 · 更新于 13:13
- Qwen@Alibaba_Qwen精选AI 评分7878
The Decoder精选AI 评分7272 可灵 AI 发布 4.0 版本，新增立体声与多语言口型同步并推出 Flash 轻量版
可灵 AI 发布 4.0 版本，单次可生成最长 30 秒视频，支持最多 10 张关键帧图像输入，提示词理解扩展到 8,000 tokens。新版本加入双声道立体声和覆盖德语、英语、日语、韩语、西班牙语等十余种语言的改进口型同步，Omni Reference 单次最多接受 15 个参考素材。
推荐理由：可灵 4.0 的升级集中在参考素材、音频与多语言口型，同时给出与 Wan 3.0、Seedance 2.5 的对比观察。
Google DeepMind精选AI 评分9090 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，通过 Gemini API、AI Studio、Antigravity 及 Gemini 应用向开发者、企业和订阅用户开放，定价为每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长程任务中的实际边界。
Google AI@GoogleAI精选AI 评分7878
推荐理由：两款音频模型分别面向低延迟对话与复杂任务推理，读者可据此判断语音交互的适用边界。
AI at Meta@AIatMeta精选AI 评分7272推荐理由：Meta 公布实时语音感知模型的能力清单与榜单排名，可据此判断流式 ASR 的当前水平。
The DecoderAI 评分6969 ElevenLabs 发布 Eleven Realtime 两款语音到语音模型
ElevenLabs 发布两款语音到语音模型 Eleven Realtime，其中 Max 版本在 Big Bench Audio 基准上得分 98.8%，响应时间 0.57 秒。
Google DeepMind@GoogleDeepMindAI 评分6060
MiniMax 模型发布精选AI 评分8282 MiniMax 开源全模态生成系统 MiniMax-H3，支持 2K 视频与立体声
MiniMax 发布全模态生成系统 MiniMax-H3，可统一理解文本、图像、视频和音频，并生成带原生立体声的视频，分辨率最高 2K、时长 4–15 秒。
推荐理由：原文完整披露了 H3 的三模块架构、开源范围与本地部署命令，读者可据此判断哪些能力需要走 API 补齐。
爱范儿精选AI 评分7878 实测 DeepSeek V4.1 Flash：4 元生成特斯拉飞行 3D 网页
作者在 DeepSeek Harness 中实测 DeepSeek V4.1 Flash，用纯提示词生成特斯拉飞行 3D 网页，耗时 35 分钟、消耗 3752 万 Token，按缓存命中 0.04 元每百万 Token 和输出 8 元每百万 Token 计算约花 4 元。
推荐理由：作者用多个实测案例对比 V4.1 Flash 与闭源模型的成本差距，可据此判断低价模型能覆盖哪些任务。
智东西精选AI 评分7272 科大讯飞发布端云一体星火X2.6，基于全国产算力训练
科大讯飞10月22日发布端云一体大模型讯飞星火X2.6，包含云端293-A30B模型和端侧X2.6-4B模型，后者已开源，均基于全国产算力完成能力升级。云端模型支持百万token上下文，输入价格0.9元/百万tokens、输出3.6元/百万tokens，输入缓存未命中与输出价格低于DeepSeek-V4.1-Flash-1017。
推荐理由：科大讯飞公布星火X2.6的国产算力训练与端云一体架构细节，可据此判断国产芯片训练大模型的实际进度。
阶跃星辰模型发布精选AI 评分7272 阶跃星辰发布 Step 3.7 Flash 视觉语言模型
阶跃星辰发布 Step 3.7 Flash，这是一个 198B 参数的稀疏 MoE 视觉语言模型，由 196B 参数语言主干与 1.8B 参数视觉编码器组成，每 token 约激活 11B 参数，吞吐最高 400 tokens/s，支持 256k 上下文窗口和低中高三档推理等级。
推荐理由：原文给出稀疏 MoE 视觉语言模型的参数规模、三档推理等级与定价，可据此判断高频智能体工作流的成本与部署选择。
MiniMax 模型发布精选AI 评分6262 MiniMax 发布音乐生成模型 MiniMax Music 3
MiniMax 发布音乐生成模型 MiniMax Music 3，可根据歌词和音乐描述生成最长五分钟的完整歌曲，输出 32 kHz、16-bit 立体声 WAV。
推荐理由：原文给出了分层 LLM 与 Flow Matching 的完整架构和显存占用，读者可据此判断本地部署音乐生成的门槛。
阶跃星辰模型发布精选AI 评分6060 阶跃星辰发布 Step-3.7-Flash GGUF 量化版本
阶跃星辰为 198B 参数稀疏 MoE 视觉语言模型 Step-3.7-Flash 发布 GGUF 量化版本，含 BF16 到 IQ3_XXS 共 7 个语言量化档位及 4 GB 的 F16 视觉投影器。
推荐理由：原文给出各量化档位的体积与三款 128 GB 统一内存设备上的实测吞吐，可据此判断本地私有部署的可行边界。
The Decoder同事件AI 评分7878 Recursive 发布首个模型 Flint，由 Eureka Machine 参与研发
AI 初创公司 Recursive 发布首个语言模型 Flint，开发过程几乎每一步都有名为 Eureka Machine 的 AI 系统参与，由它提出想法、实现、测试并规划后续实验。
同一件事，精选收录的是《Recursive 发布笔记本端编码模型 Flint，称主要由 AI 参与构建》
智东西同事件AI 评分7878 Recursive 开源 40B 本地编程模型 Flint，MacBook Pro 可跑
田渊栋参与创办的 Recursive Superintelligence 推出首款本地编程模型 Flint，总参数量 398 亿、每 Token 约激活 25 亿参数，已按 Apache 2.0 开源。
同一件事，精选收录的是《Recursive 发布笔记本端编码模型 Flint，称主要由 AI 参与构建》
MarkTechPostAI 评分7070 Recursive 发布 Flint：40B MoE 本地编码模型，激活参数 2.5B
Recursive Superintelligence 发布首个模型 Flint，这是一个面向编码智能体的开源权重 MoE 模型，总参数 39.8B、每 token 激活约 2.5B，权重以 Apache 2.0 协议放在 Hugging Face。
智东西AI 评分6262 ElevenLabs 发布 Eleven Realtime 两款实时语音模型，首次音频响应最快 0.57 秒
ElevenLabs 于 10 月 20 日发布实时语音系列模型 Eleven Realtime，包括面向自然交流的 v1 Mini 和面向客服、多步骤任务的 v1 Max，均支持超过 90 种语言和 1.7 万种音色。
MarkTechPostAI 评分5858 Gradium 开源 31M 参数端侧 TTS 模型 Phonon，采用 Apache 2.0 许可
Gradium 开源端侧文本转语音模型系列 Phonon，其中英文版 Phonon 31m 为 31M 参数、64.5 MB q8 GGUF 文件，采用 Apache 2.0 许可。
MarkTechPostAI 评分5858 IBM 发布 Granite Speech 5.0 2B 多语言语音转写与翻译模型
IBM 发布开源语音语言模型 Granite Speech 5.0 2B，采用 Apache 2.0 许可，支持 6 种语言的语音转文字与翻译。该模型在 Open ASR Leaderboard 上以 5.68% 平均英文 WER 位列开源权重模型第二，仅次于 Qwen3-ASR-1.7B 的 5.40%；IBM 博客另给出 5.06% 的非官方数字，仅统计公开短音频集。