搜索
《读佳》获知，Soul推出AI语音创作平台“AudioFactory”，基于生成式人工智能模型技术为用户提供丰富、多样的AI功能服务，包括但不限于播客AI生成、语音生成合成、AI生成文案等，具体以播客生成、音色克隆等AI语音功能为主，或为其冲击港股IPO再添技术筹码。
阶跃星辰今日发布新一代自动语音识别模型StepAudio 2.5 ASR。该模型面向语音转写与长音频处理场景，在架构上引入Multi-Token Prediction（多Token预测）以提升推理效率，并通过扩展上下文窗口强化长内容识别能力。
模思智能成立于2024年，位于上海徐汇区，由上海创智学院与复旦大学联合孵化，是国内少数完成“全模态基座模型能力闭环”的初创公司之一，致力于构建统一Token表达框架下的“情境智能”能力，推动Agent系统在真实世界中的自主交互与任务执行。
语音合成大家都不陌生，这两年市面上各种AI配音也层出不穷。
2026 年，阿联酋哈利法大学的邹航博士和他所在的团队，做出了全世界第一个射频大模型，名字叫 RF GPT。这个模型能直接看懂无线信号，就像 GPT 4o 能看懂图片、Qwen2 Audio 能听懂声音一样。你把无线信号扔给它，它不仅能告诉你这里面有几种信号、分别是什么技术，还能分析出有没有信号在打架、哪个是 5G 哪个是蓝牙、甚至能数出来 WiFi 网络里有多少个用户同时在用。
相似度超越Seed-TTS、MiniMax-Speech等知名模型。昨晚，美团LongCat团队发布了文本转语音模型LongCat-AudioDiT，并开源1B、3.5B参数量的版本。这一模型的最大特点，是彻底抛弃了梅尔谱等中间表示，直接在波形潜空间进行基于扩散模型的文本转语音。通俗地说，这一模型直接根据声音本身的规律进行生成，“雕刻”出最原始的声音波形，从根源阻断数据转换的级联误差。
港科大团队提出音频生成统一模型AudioX，只需一个模型，就能从文本、视频、图像等任意模态生成高质量音效和音乐，在多项基准上超越专家模型。团队同时开源了700万样本的细粒度标注数据集IF-caps与可控T2A评测基准T2A-bench，并在该基准上大幅领先现有方法。论文已被ICLR 2026接收。
2026 马年注定迎来一个「AI 味」最浓的春节。
今天上午，上海创智学院 OpenMOSS 团队联合初创公司模思智能（MOSI），正式发布了端到端音视频生成模型 —— MOVA（MOSS-Video-and-Audio）。
时代变了，就连 Linus Torvalds 现在也氛围编程（Vibe Coding）了。