搜索“语音”

ame 3.0 发布日期2026 年 10 月 27 日2025 年 8 月 5 日2026 年 9 月 3 日2026 年 3 月 27 日 参数量未披露未披露未披露5B（另有 2x14B MoE 变体） 分辨率 / 帧率未披露720p / 24 fps720p / 24 fps720p / 最高 40 fps 原生音频是，含对话未报告是，48 kHz，含语音未报告 会话中文本控制是，由 Gemini 中介是，可提示的世界事件是，带时间戳的文本动作键盘和鼠标动作 循环中的 LLM 规划器Gemini 3.8 Flash无无（可选外部框架）无 一致性几分钟；据 TechCrunch 为 2 分钟几分钟；1 分钟视觉记忆无预设时长；记忆不完美分钟级记忆 硬件Google 托管，未披露Google 托管，未披露Runway 托管，未披露DiT 用 8 块 GPU，另加 1 块用于 VAE 访问 / 许可受信任测试者；AI Ultra 和 API 即将开放Project Genie（AI Ultra）研究预览，联系表单MIT，开放权重 谁可以使用 Genie 4，何时可用？ 所有 Genie

匹配字段正文

全模态和决策模型统一到同一个共享骨干上。首个版本在 Hugging Face 博客的一篇文章中详细介绍，涵盖 2B 参数级别的六款模型。 每个 LFM3 模型都从同一个 LFM3-1.7B-Base 分支而来。LFM3-1.7B 接收文本并返回文本。LFM3-VL-2B 接受文本、图像和视频并返回文本，而 LFM3-Audio-2B 接受文本或音频并以文本或语音回应。Liquid AI 称 LFM3-Omni-2B 是其首个全模态模型，接受文本、图像、视频和音频并生成文本和语音。两款决策模型 d1-2B 和 d1-omni-2B 分别从视觉模型和全模态模型专门化而来，返回经过校准的答案而非生成的文本。 根据 LFM3-1.7B 模型卡，该文本模型有 1.73B 参数、256K token 上下文长度、128,000 token 词表，支持 16 种语言，并以 LFM Open License v1.0 发布。基础模型和后训练模型均为开放权重，可在 Hugging Face、Liquid AI Playground 和 Liquid AI API 上获取。 Liquid AI 的发布文章

匹配字段正文

对采样帧嵌入为一个时间切片，使时间序列长度减半。 音频编码器与 LiquidCodec：音频编码器混合了滑动窗口注意力和短卷积，并且完全因果，因此模型可以在你说话时进行预填充，首 token 时间低至 50 ms。LiquidCodec 是我们新的音频分词器，在 Apple M4 Max 的单 CPU 线程上以约 87 倍实时速度将生成的 token 转换为语音，并支持流式解码。 如何使用 LFM3 模型 每个模型都在 transformers 中运行。下面的代码片段来自模型卡，模型卡还列出了每个模型支持的其他推理引擎。 LFM3-1.7B 当你需要本地智能体、工具调用、结构化输出，或用于领域特定微调的基础模型时，请选用 LFM3-1.7B。它经过后训练，可在 Hermes Agent、Pi 和 OpenClaw 等智能体框架中运行。它以少 35% 的参数超越了前代 LFM2.5-2.6B，最大的提升出现在智能体任务上：在 WebArena-Verified 上，它得分 38.42，而前代为 3.02，甚至在浏览器和商业应用中的长任务上超过了 Qwen3.5-9B。你可以在 LFM3-

匹配字段正文

片颗粒，照片级真实质感。 车站必须看起来真正繁忙，整个站台上要有密集可见的人群。红色列车必须位于最近的轨道上，占据画面主导地位。不要空荡的站台，不要远处的列车，不要稀疏的人群，不要居中的对称构图。 为世界的声音建模 Genie 4 是我们首个原生生成音频的实时世界模型。每个世界都带有其自身环境的氛围音效，从林间风声到海滩拍岸的浪涛声。 然而，真正的疆界是人类语音。Genie 4 引入了可即时自适应的交互式对话。角色会进行交谈，并对你的输入或世界中的事件做出反应，一切都在实时中进行。第 1 张幻灯片，共 3 张 提示词：创建一个完全三维的沉浸式彩色玻璃景观，感觉就像一扇手工打造的水晶窗被赋予了生命。这个世界应当可以探索，仿佛摄像机可以在一个巨大的3D彩色玻璃环境中自由移动。整个场景必须具有彩色玻璃／水晶窗的外观：半透明的彩色玻璃、深色铅条轮廓、发光的分层嵌板、体积深度，以及手工玻璃质感。 展现一幅美丽的风景：一条流动的河流穿过绿色田野，前景中有花朵，还有树木、远处的群山、云朵，以及天空中一轮光芒四射的太阳。河流应感觉像流动的半透明蓝色玻璃，花朵像直立的彩色玻璃雕塑，草地和树木像层叠的彩色

匹配字段正文

作流和支持工具可能比最初的应用程序生成更重要。 推出 NPCTalk：让任何游戏中的 NPC 都能实时、符合角色设定、用自己克隆的声音说话，响应时间不到 1 秒，并且他们会根据你所说的话采取行动。（活动：1385）：Universal Modder 发布了 NPCTalk，这是一个模组仓库，旨在让游戏 NPC 实时对话、保持角色设定、使用克隆声音，并根据玩家语音触发游戏内动作，在 GTA V 上进行了演示，声称端到端延迟低于 1 秒。该技术栈被描述为完全开放模型/自托管：用于语音识别的 NVIDIA Nemotron ASR、用于对话生成的 Qwen 3.8 27B，以及用于无服务器 GPU 上语音克隆/TTS 的 Fish Audio Drama 3；链接的 Reddit 视频因 403 Forbidden 无法访问。评论者预计这类 NPC 语音/智能体系统很快会在游戏中普及，但指出了一个主要的部署瓶颈：实时克隆 TTS 可能需要比游戏本身更多的 GPU 容量，除非使用付费 API 或更小的本地模型（如 pocket-TTS），并在声音相似度/质量上做出权衡。 一位评论者指出，实时克

匹配字段正文

调试等任务，而无需将工作负载发送到云端。NVIDIA 表示，该模型在 PinchBench 上位列同类开源模型第一，在 BrowseComp 上位列第二。 较小的 Nemotron 3.5 Bolt E4B 4GB 面向对话式和物理 AI 智能体。NVIDIA 为其设计了 GeForce RTX、Jetson 和 RTX/DGX Spark 系统。它支持本地语音助手、交互式角色和嵌入式界面。 NVIDIA 表示，Scale AI 已为该模型针对 Skydance 的供应商信贷融资智能体和 EY 的并购尽职调查智能体进行了后训练。 其他应用包括为 Hebbia 进行信贷协议分析、通过 AI21 和 Alice 实现网络安全，以及通过 Mercor 进行编程。Ramp 正在为该模型定制金融文档智能功能，而 Lila Sciences 则将其用于科学发现和搜索。 软件公司也在将 Super VL 集成到其产品中。Atlassian 正在探索跨 Jira 和 Confluence 的智能体搜索，而 CrowdStrike 正在为其定制企业安全运营功能。 Perplexity 正在集成该模型以用

匹配字段正文

pace、模型或数据集仓库，并在模型仓库页面上分享即可。为了给你灵感，以下是我们构建的一些作品。 嘿 Beam，构建一个原生本地 MacOS 应用程序！ 在 Hugging Face，我们喜欢能在其硬件上原生运行的开放本地模型，但在 Mac 上构建原生应用可能很难！让我们看看 Beam 能否帮到我们。 我们让 Beam 构建一个原生 MacOS 应用程序，将语音转换为文本，并方便地将其放到光标处。我们希望使用 MLX 充分发挥 Mac Metal 的性能，并使用 Parakeet 模型实现出色的语音转文本。 我们使用 Beam 配合 Pi 编码工具构建了初始的原生 macOS 菜单栏应用，通过 MLX 运行 Parakeet。保存的运行记录包含后续提示；最终源代码还包含后来的 Codex 修复。上面的提示是构建需求的精简版本。 你可以在该 trace 中查看 Beam 如何在 pi 中构建此应用的智能体轨迹。如果你想试用该演示，请下载源代码或阅读设置说明。 嘿 Beam，如何在多个智能体上扩展？ 我们想看看 Beam 能否通过将编程任务拆分给多个智能体来更快取得进展。我们将 Beam

匹配字段正文

十种环境中进行强化学习。新开放的数据集涵盖智能体工具调用、金融推理、指令遵循、长上下文、公平性和视觉语言理解等领域。 除 Super VL 外，英伟达还推出了两款 Nemotron 3.5 Bolt 端侧模型。Nemotron 3.5 Bolt 74B-A9B 24GB 采用 740 亿总参数、90 亿激活参数的 MoE 架构，通过原生 2 位量化将模型压缩至 24GB，面向本地智能体任务，支持 llama.cpp、vLLM、Ollama、Unsloth 和 LM Studio。Nemotron 3.5 Bolt E4B 4GB 则面向本地语音助手、交互角色和嵌入式界面等场景，计划于 10 月 23 日推出。 IT之家注意到，Nemotron 3.5 Super VL 和 Bolt 74B-A9B 24GB 已开放获取，开发者可通过 Hugging Face、OpenRouter、ModelScope 等渠道使用相关模型资源。Super VL 可部署于 DGX Spark、DGX Station、RTX 系统、数据中心或云端；Bolt E4B 4GB 则计划于 10 月 23 日发布。

匹配字段正文

行了更新。所有新数据（包括多模态数据）都满足与以往相同的标准：公开可用、采用宽松许可，并追溯遵守 robots.txt 的退出选择。每个来源都列在 apertus-data-transparency 中。 后训练 后训练分五个阶段进行：SFT → 长上下文 SFT → RL → DPO → 宪章对齐（SDPO）。 SFT 使用 370 万个文本样本以及图像和语音数据。推理轨迹仅添加到模型在没有这些轨迹时无法解决的提示中。工具使用数据仅限于经过执行验证的轨迹。我们在 Hugging Face 上发布了所使用的文本 SFT 混合数据。 在完整的 262k 窗口上进行长上下文 SFT，可恢复短上下文 SFT 所侵蚀的长上下文能力。 RL 采用可验证奖励（RLVR），使用约 35 万个数学、代码、指令遵循、多语言和视觉提示，并混合开启和关闭思考模式。 DPO 使用经评判模型打分的偏好对，提升对话质量、工具使用和安全性。我们发布了偏好池和训练对。 SDPO 通过评判反馈和自我蒸馏，使模型与《Apertus 宪章》对齐。 评估结果 在扩展模型能力的同时，我们也大幅扩展了评估范围。除 Apertus

匹配字段正文

研究员。 你很快就能改变 Claude Code 的行为方式。Anthropic 正在测试一种扩展其功能的方法，让 Claude Code 编写插件，从而改变界面、记录操作或限制智能体被允许做的事情。该功能尚未发布，Claude Code 团队正在征求反馈。 Inworld 为下一波消费级应用打造了 Realtime TTS-2。这需要三样东西：基于文本的语音设计、P99 下低于 100 毫秒的延迟，以及跨 200 多种语言的单一语音身份。了解如何为你的 AI 应用赋予声音。 分享 Ben's Bites ChatGPT Work 可以从你的电子邮件、消息和文件中学习你的写作风格。 在 Mac 上按住 Shift 并拖动，即可用 Tangerine 转换文件。 异类心智——Jakub Pachocki（OpenAI 首席科学家）谈如何让 AI 的未来掌握在人类手中。 在 macOS 上配合编码智能体使用 Blender。 智能体现在可以通过 USB 控制一台实体 iPhone。 SuperAstra——实时编辑超级任天堂游戏。 Cibby——一款面向实体游戏收藏者的应用。 Doodl

匹配字段正文