AI神助攻！失声歌手用Suno工具“修声”，重返舞台不是梦
最近，有个特别暖心的消息：一位因为神经问题失声的歌手，居然靠AI技术“修声”，重新找回了完美的嗓音！这位歌手因为神经系统疾病，唱歌变得困难重重，但Suno AI的“掩护”工具帮她实现了梦想。她只需要上传自己的录音，AI就能自动分析旋律、歌词和情感，生成高质量的声乐曲目。这个技术不仅修复了音高和音色，连颤音和情感转折都能模仿得惟妙惟肖。歌手终于能用接近理想状态的声音，把作品完美呈现出来。Suno AI的“掩护”工具基于生成式AI模型，结合了深度学习和语音合成技术，能从有限的录音中提取关键音乐元素，生成高质量的声乐表演。对于那些因为身体原因无法正常演唱的艺术家来说，这无疑是个福音。他们不用再依赖昂贵的录音设备或专业声乐修复，只需上传音频，就能轻松产出高质量的音乐。AI不仅改变了音乐创作的传统模式，也为更多人打开了艺术的大门。
智源研究院放大招！开源Video-XL-2，长视频理解不再是难题
智源研究院最近联合上海交通大学等机构，发布了一款超牛的长视频理解模型——Video-XL-2。这个模型可是开源界的重大突破，能让AI更好地理解长视频内容。Video-XL-2由视觉编码器、动态Token合成模块和大语言模型三个核心组件构成，能逐帧处理视频，提取高维视觉特征，再融合压缩这些特征，建模时序关系，最终实现对视频内容的理解和推理。这个模型采用了四阶段渐进式训练，逐步提升长视频理解能力。而且，它还设计了效率优化策略，比如分段式预装填和双粒度KV解码机制，显著降低了计算成本和显存开销。在实验效果上，Video-XL-2在多个主流长视频评测基准上全面超越现有开源模型，性能接近甚至超越了一些参数规模高达720亿的大模型。未来，这个模型有望在影视内容分析、监控视频检测等领域发挥重要作用，推动长视频理解技术的进一步发展。
Character.AI玩出新花样！AvatarFX上线，用户秒变动画导演
Character.AI最近又搞了个大新闻，推出了新功能AvatarFX，让用户能自己制作个性化动画视频。用户只需要上传一张照片，选择一个声音，再编写角色的对话，就能生成属于自己的动画视频。这个功能上个月已经向订阅用户推出，现在所有用户每天都能免费创建最多五个视频。虽然上传音频片段的功能还不太完善，但用户可以把这些视频转化为“场景”，让角色在其他用户创建的预设剧情中出现。这些场景和流功能很快就能在网页版和移动版上使用，用户还能分享到即将上线的移动应用社区动态中。不过，Character.AI也提醒大家，平台会阻止用户上传真实人物的照片，并且会对上传的照片进行处理，防止滥用。虽然平台对每个视频都进行了水印处理，但恶意用户还是有可能规避这些保护措施。Character.AI表示，他们会努力为用户提供一个既具创意又安全的互动空间。
Google又搞大事！AI Edge Gallery上线，本地AI开发门槛大幅降低
Google在最近的I/O大会上，悄悄推出了一款开源项目——Google AI Edge Gallery。这个项目完全在本地运行，基于最新的Gemma3n模型，支持文本、图片和音频输入，为开发者提供了构建本地化AI应用的理想模板。Google AI Edge Gallery允许用户在本地设备上运行多种开源AI模型，无需联网就能实现高效推理。项目采用Apache2.0许可证，代码已经公开在GitHub上，开发者可以自由使用和修改。Gemma3n模型是专为移动设备优化的多模态小型语言模型，支持文本、图片、音频和视频输入，具备强大的本地推理能力。无论是离线环境下的语音转录、图像分析，还是实时交互，Google AI Edge Gallery都展现了端侧AI的巨大潜力。项目还集成了检索增强生成和函数调用功能，允许开发者在不进行模型微调的情况下，为应用注入特定领域的数据。未来，随着iOS版本的发布和更多模型的集成，Google AI Edge Gallery有望成为端侧AI开发的标杆。
Cerebras放大招！推理API全面开放，开发者每天白嫖百万Token
Cerebras Systems最近宣布，其推理API已经对所有开发者全面开放，取消了此前的等待名单限制。开发者每天可以免费获得100万个Token的使用额度，用于构建和测试基于Cerebras推理平台的高性能AI应用。Cerebras的推理API在速度上显著优于传统GPU解决方案，推理速度可达GPU的20倍。尤其是在实时语音、视频处理、复杂推理模型以及代码生成等场景中，Cerebras的表现尤为出色。Cerebras的推理API支持多种主流开源模型，包括Llama4和Qwen3-32B，开发者可以通过简单的API调用快速集成这些模型。此外，Cerebras还与Hugging Face和Meta等平台合作，进一步降低了开发者的使用门槛。Cerebras的首席执行官表示，他们致力于为开发者提供最快的AI推理服务，开放API并提供每日百万免费Token，是他们赋能全球创新的重要一步。未来，随着推理需求的持续增长，Cerebras的开放策略或将重塑AI基础设施的市场格局。
ElevenLabs放大招！Conversational AI 2.0上线，AI语音助手更懂你
ElevenLabs最近推出了全新一代语音交互平台Conversational AI 2.0，这个平台在对话流畅性、多语言支持和企业级应用能力上实现了重大突破。Conversational AI 2.0引入了先进的轮流对话模型，通过实时分析用户的语音提示，精准判断何时发言、何时等待，避免了传统语音系统中常见的尴尬停顿或不合时宜的打断。这个平台还内置了自动语言检测功能，无需手动配置即可实现多语言对话的无缝切换，支持超过32种语言的高质量语音合成。此外，Conversational AI 2.0还集成了检索增强生成技术，能够实时从企业专属知识库中提取信息，确保回答的准确性和专业性。平台还推出了批量通话功能，支持企业同时向数百甚至数千客户发起个性化语音通知、调研或营销电话，极大地提升了运营效率。未来，随着API的进一步开放和多语言能力的优化，Conversational AI 2.0将在全球市场掀起新一波语音交互热潮。
Hume AI放大招！EVI 3上线，语音AI更懂你的情绪
Hume AI最近发布了其第三代语音交互模型EVI3，这个语音AI不仅能精准识别用户语音中的情绪，还能根据用户喜好生成特定风格的声音和个性。EVI3是Hume AI基于多模态数据集研发的，集语音转录、推理和语音合成于一体。相较于前代模型，EVI3在情感理解、语音表达的自然度和个性化定制方面实现了质的飞跃。这个模型能够通过用户输入的简单文本提示，在不到一秒的时间内生成全新的声音和人格设定，支持超过30种复杂的语音风格。EVI3的推理延迟低至300毫秒，响应速度显著优于OpenAI的GPT-4o。在情感表达、自然度、语音质量、响应速度、打断处理等七个维度上，EVI3都超越了GPT-4o。EVI3还能在对话中实时进行搜索、推理和智能回答，极大提升了交互的流畅性和实用性。无论是用于客户服务、健康教练、沉浸式故事叙述，还是虚拟伴侣，EVI3都能提供高度个性化和情感化的交互体验。未来，Hume AI计划进一步优化EVI3的多语言能力，拓展全球市场。EVI3的出现标志着语音AI从机械化的语音助手向真正“懂你”的智能伙伴迈出了关键一步。
