摘要：WaveForms开发端到端音频大模型，直接处理音频实现实时交互，不经过语音转文本再转语音的传统步骤；

生成式AI

一、 ChatGPT Voice之父创办语音模型公司，种子轮4000万美金

1. WaveForms开发端到端音频大模型，直接处理音频实现实时交互，不经过语音转文本再转语音的传统步骤；

2. 模型通过标记音频片段的情绪特征来识别和回应情感，而非真正"理解"情绪；

3. 核心技术将音频信号分解为标记后用专门音频变换模型处理，实现更低延迟的对话体验。

二、 Kimi 发布k1.5思考模型对标o1满血版，还有完整技术报告

1. Kimi k1.5通过long2short强化学习，将长CoT模型的推理能力转移到短CoT模型，显著提升了token使用效率；

2. 采用部分回滚技术处理长CoT特性，通过多次迭代分解长响应为片段，降低计算开销；

3. 实现训练和推理任务的混合部署，利用Kubernetes Sidecar容器共享GPU，转换时间不超过1分钟。

三、 腾讯3D生成大模型2.0，自动绑骨，分钟级生成游戏3D资产

1. 混元3D 2.0采用几何与纹理解耦生成技术，可实现超高精度白模生成，并支持文本/图像引导的纹理生成；

2. 支持端到端生成低多边形模型，根据物体复杂度自适应生成几百至数千面三角mesh，保持细节同时降低面数；

3. 具备自动骨骼绑定功能，可对T-pose姿态人物模型一键绑定骨骼并生成动画。

四、 几十个测试后，发现海螺语为什么能够与 ElevenLabs 掰手腕

1. T2A-01语音模型支持17种语言合成，采用千万小时级音频数据训练，在相似度和错误率评测上接近真实录音水平；

2. 具备多层次情感表达能力，可分段控制不同情绪，支持300+预置音色，并可自定义调节音色细节和场景效果；

3. 在处理大量同声词时展现出较强语义理解能力，能准确区分字词发音，实现自然的语调和节奏控制。

五、 美图WHEE「AI海报」功能即将上线啦！只需要你一句话

1. WHEE AI海报功能支持一键生成海报，并提供中文字体支持，可自由调整文字排版位置；

2. 内置电影、电商、自媒体、线下活动四大场景的模板，每个主题提供多套样式选择；

3. 集成免抠素材生成功能，支持自定义生成和已有素材转换，可选择多种风格效果。

六、 不到4小时，谷歌Gemini写完10万字商业战略书籍，全AI

1. Gemini Flash 2.0-exp处理1.23亿请求token，生成92万响应token，通过1152次API调用完成10万字书籍；

2. DeepWriter采用writeCircle写作机制，每个周期包含起草、分析、重写三个独立系统节点；

3. 系统使用LaTeX排版，自动生成文本、图表，输出AI生成概率仅为9.78%的高质量内容。

七、 Adobe、加大推出音乐模型DITTO-2，可精准控制强度、旋律

1. DITTO-2集成一致性模型(CM)和一致性轨迹模型(CTM)两种蒸馏技术，实现扩散过程的快速跳跃，效率提升10-20倍；

2. 采用ITO推理时优化技术，通过特征提取、匹配损失函数和梯度下降算法实现实时控制调整；

3. 训练成本低，仅需A100 GPU训练30小时，支持文本、拍手生成音乐，可精确控制强度、旋律和音乐结构。

八、 智谱清影 AI 视频工具获 2.0 更新，支持画面主体进行大幅度运动

1. 模型结构、训练方法、数据工程全面升级，图生视频基础模型性能提升38%；

2. 新增大幅度运动控制功能，在保持画面稳定性同时支持主体大范围运动；

3. 清影2.0集成在智谱清言平台，普通用户可免费试用，会员享有快速通道且不消耗积分。

前沿科技

九、 哥大团队细胞「基础」模型，揭示213种人类细胞调控语法

1. GET基础模型利用213种人类胎儿和成人细胞的染色质可及性数据与序列信息，实现实验级转录预测精度；

2. 模型采用类ChatGPT训练方式，从多细胞状态学习调控语法，可识别顺式调控元件和胎儿血红蛋白上游调节剂；

3. 基于GET预测的共调节信息，构建人类TF和辅激活因子结构交互目录，揭示PAX5与核受体家族TF的淋巴细胞特异性互作。

报告观点

十、 Pytorch负责人押注复合AI：行业逐渐转向强调模型的推理能力

1. 行业从依赖Scaling Law转向关注推理能力，比如Fireworks通过FireOptimizer实现延迟、成本、质量三维平衡；

2. 采用多LoRA技术让多个适配器共享基础模型，一个基础模型支持百至千个LoRA，显著减少内存占用；

3. 开发分布式推理引擎，根据硬件特点和负载差异分配任务，实现全栈优化和跨地域部署。

AI50节选

👇订阅下方合集，获取每日推送

来源：腾讯研究院