伴随着生成式深度学习模型的飞速发展，自然语言处理（NLP）和计算机视觉(CV)已经经历了根本性的转变，从有监督训练的专门模型，转变为只需有限的明确指令就能完成各种任务的通用模型。在语音处理和文本到语音（TTS）领域，这样的转变也正在发生，模型能够利用数千小时的数据，使合
......
本文由站长之家合作伙伴自媒体作者“机器之心公众号”授权发布于站长之家平台，本平台仅提供信息索引服务。由于内容发布时间超过平台更新维护时间，为了保证文章信息的及时性，内容观点的准确性，平台将不提供完全的内容展现，本页面内容仅为平台搜索索引使用。需阅读完整内容的用户，请查看原文，获取内容详情。
（举报）
AI日报栏目聚焦人工智能领域最新动态：1)阿里发布Qwen3-4B轻量级模型，手机端可运行；2)小红书开源多模态大模型dots.vlm1，在图表推理方面表现突出；3)MiniMax推出语音生成模型Speech2.5，多语种表现提升；4)Midjourney推出HD视频模式，提升专业影像质量；5)Cursor1.4版本增强异步任务处理能力；6)谷歌否认AI搜索影响网站流量，但数据显示用户行为改变；7)MiniCPM-V4.0开源发布，号称"手机上的GPT-4V"；8)AMD与高通宣布支持OpenAI的gpt-oss系列模型；9)腾讯开源WeKnora文档智能解析工具；11)疑似GPT-5信息在GitHub泄露；12)FlowSpeech实现书面语转口语的TTS技术突破。
7月16日，语音输入创企 Willow Voice 宣布完成420万美元天使融资，由 YC 领投;而就在几天前，6月25日另一家语音输入创企 Wispr Flow 也宣布完成了3000万美元 A 轮融资。 此前，我们一直在观察 AI 语音赛道，但能拿到融资的基本都是做语音合成，也就是“输出”。比如赛道头部的 ElevenLabs，在今年1月份，完成了 C 轮2.5亿美元融资，估值达到30亿美元以上。 但最近的2笔融资，貌似在释�
过世的亲人留下的语音记录可以用吗?” 今年5月20日，高德地图推文《本次更新，把家人的声音装进导航》的留言区，这条特殊的提问漾起了意想不到的涟漪。 谁也没料到，在多数人热衷于录制孩子奶音、爱人情话的热闹里，藏着这样一份沉甸甸的思念。 您这个需求很暖，我们跟产品经理反馈一下。”简单的回复背后，是一场跨越生死的技术奔赴。
近日，多名消费者在社交平台发帖吐槽魅KTV新上线的AI视频功能，称其生成的抽象画面严重破坏K歌体验。 走访多家魅KTV门店发现，部分门店已全面启用该AI系统。某门店工作人员透露，系统更新后所有歌曲默认播放AI生成视频，“但90%的顾客都会要求切换回原版MV，包厢服务人员可现场操作”。另一未更新系统的门店则表示，顾客仍可正常观看原唱MV。
日前，国家知识产权局中国专利公布公告网发布更新，小米汽车科技有限公司、北京小米移动软件有限公司、北京小米松果电子有限公司申请的 车外语音控制方法、装置、存储介质及电子设备” 专利位列其中。 该专利申请于 2025 年 4 月 17 日，申请号为 2025104893047，申请公布号为 CN120375822A，发明人包括何琪琪、吴俊楠、范利春、于博仑、王露明、王鹏、李炯亮、高鹏。 该专�
近日，一则细节详尽的“2岁女儿王喵喵被抱走”的寻人启事在网络上疯狂传播，引发超百万次点击与大量转发，众多网友纷纷加入转发助力寻找的行列。 启事中描述走失者王喵喵为2岁女性，眼睛大大的，笑时会露出两颗小虎牙，在嘉兴市南湖区新丰镇乌桥超市被一大妈抱走，还附上了“父亲”与“母亲”的联系电话，字里行间满是焦灼，让人感觉是心急如焚的家长发出的求�
腾讯旗下AI工作台ima迎来重大升级，以活知识库 大模型的深度耦合重构知识管理体系。 此次更新突破性地实现了多模态知识转化用户上传文件即可生成AI播客，Xmind思维导图经智能解析后自动沉淀为结构化知识库，共享知识库更支持关键信息置顶功能。 这些创新使得碎片化知识如同被注入生命力，通过动态重组转化为驱动组织进化的智能中枢。
北京卫视纪实栏目《为你喝彩》聚焦数势科技创始人黎科峰，展现其从京东高管转型AI创业者的历程。他放弃高管职位创立数势科技，专注"Data+AI"赛道，打造颠覆企业决策的智能分析工具SwiftAgent。该产品已实现10倍提效和100%精准决策，助力益禾堂等企业数据普惠化。黎科峰将航天工程思维注入AI架构，以技术基因突破创新，践行"坚持大多数人放弃的事才能成功"的理念。节目还呈现了他带领团队打破SaaS十年困局，用AI重构B端服务模式的商业实践，推动中国企业服务直接进入Agent时代。
据媒体报道，谷歌DeepMind正式发布了其新一代通用世界模型Genie 3。 该模型能够根据用户的文本提示，快速生成丰富多样的交互式虚拟环境。Genie 3不仅能够以每秒24帧的速度生成720p分辨率的高清交互式3D世界，更创新性地引入了 可提示世界事件” 功能。用户通过简单文本指令，即可实时修改虚拟环境，显著提升了沉浸感与创造力。 DeepMind视Genie 3为迈向通用人工智能（AGI） 的�
浙江大学与魔芯科技团队合作，基于昇腾平台NPU开发了首个三维模型生成算法Img2CAD。该技术突破性地将草图、图片等多模态输入通过Transformer结构高效转化为三维几何信息，无需可微渲染器，完整在NPU上实现训练和推理。研究成果可生成高精度3D模型，直接导入CAD软件编辑，已应用于3D打印、数字制造等领域。项目完成3篇论文，包括1篇中科院1区期刊和2篇CCF-A类会议论文，部分成果实现商业化落地。该技术标志着智能三维内容创作进入"低门槛、高效率、高质量"新阶段，未来将为工业设计、AR/VR等行业提供创新动能。
