AI资讯AI新闻资讯正文OpenAI全面开源Codex Harness，AI编程智能体底层能力进一步开放发布于AI新闻资讯发布时间 :2026年8月21号 15:26阅读 :1分钟OpenAI近日进一步开放Codex Harness相关核心能力，将驱动Codex不同产品形态的智能体运行框架向开发者开放。Codex Harness是Codex背后的核心Agent运行环境，负责连接模型、用户与工具，并管理任务执行、上下文、会话及代码操作等流程。OpenAI此前已将Codex CLI及相关核心代码开源，并持续完善Harness和App Server能力。从架构来看，Codex Harness并非单纯的代码生成工具，而是完整的Agent执行框架。其核心包括Agent Loop、线程生命周期与持久化、配置及身份认证、工具执行和扩展机制等。通过Codex App Server，开发者可使用双向JSON-RPC协议将Harness接入不同客户端，并获得实时事件流，从而构建IDE、桌面应用及其他定制化Agent产品。目前，Codex Harness已支撑Codex Web、CLI、IDE扩展及macOS应用等多种使用场景。OpenAI此前还公开分享“全由Codex编写代码”的Harness工程实践:一个内部产品在约5个月内形成约100万行代码，并完成约1500个Pull Request，团队核心理念从“人工编写代码”转向“人类设定目标、Agent执行”。此次进一步开放Harness，意味着AI编程竞争正从模型能力延伸至Agent运行时、工具调用、上下文管理和工程反馈闭环。随着底层Harness逐渐标准化，开发者能够在Codex核心Agent能力之上构建更加丰富的专业化AI编程与软件工程工作流。

AI资讯AI新闻资讯正文百度“双重主要上市”落地 AI全栈资产迎重估与南向资金流入发布于AI新闻资讯发布时间 :2026年8月28号 9:44阅读 :1分钟百度集团于8月27日在港交所发布公告，宣布自愿将其在香港联交所的第二上市地位转换为主要上市，并将于2026年9月1日正式生效。此举标志着百度将成为纳斯达克与港交所两地首家实现全栈AI布局的双重主要上市公司。转换不涉及新股发行与融资，截至2026年6月底，百度持有的现金及投资总额达2831亿元，经营性现金流已连续四个季度为正。按照现行规则，百度最快有望于9月7日被纳入港股通，届时将直接对接内地及亚洲投资者资金，提升流动性并优化股东结构。资本市场的身份切换呼应了百度AI业务的规模化提速。财报显示，第二季度百度一般性业务收入252亿元，其中AI业务收入达125亿元，占比达50%，已连续两季过半。百度打造的“芯-云-模-体”全栈闭环正加速商业落地:底层昆仑芯已启动独立上市进程，P800万卡集群服务于招商银行、腾讯等上百家龙头企业;百度智能云第二季度GPU云收入同比激增283%，支撑超2000万辆L2级辅助驾驶车辆交付;AI应用季度收入达25亿元，旗下库库AI办公月活突破2500万;自动驾驶平台萝卜快跑累计行驶里程超3.5亿公里，业务已拓展至迪拜、伦敦及香港等全球28个城市。市场普遍认为，随着双重主要上市落地，百度的估值逻辑将从传统的互联网PE向SOTP分部估值切换，市场对其全栈AI资产的独立定价有望撬动万亿港元估值空间。通过制度性对接南向资金与区域资本，百度正以此打破传统搜索框架的认知枷锁，确立其作为AI优先企业的市场估值新坐标。

AI资讯AI新闻资讯正文OpenAI携手苹果前高管硬刚老东家，申请永久终止商业机密案发布于AI新闻资讯发布时间 :2026年8月28号 9:47阅读 :1分钟8月27日，OpenAI联合苹果前高管唐坦（Tang Tan）、刘畅(Chang Liu)以及Jony Ive创办的io Products，向法院提交全新请愿书，请求法官依法“带偏见地驳回”(dismiss with prejudice)苹果公司提起的商业秘密窃取诉讼，以彻底阻止苹果未来再次就相同事由提起诉讼。此举标志着科技巨头与生成式AI新锐之间关于顶尖人才流动及核心技术产权的法律博弈进一步升级。本案源于数周前苹果发起的诉讼。苹果指控前雇员刘畅与唐坦在跳槽至OpenAI及io Products期间，非法获取并泄露公司机密，甚至指导求职者规避苹果的安保审查系统。为此，苹果不仅申请了初步禁令以阻止被告方使用相关专有信息，还要求加快取证程序以评估潜在损失。在前轮驳回动议被苹果以“指控具体明确”为由反驳后，OpenAI在最新法律回应中直指苹果诉状存在根本性事实缺陷。OpenAI强调，根据《保护商业秘密法》（DTSA），原告必须清晰界定特定商业秘密、证明其合法性并提供确凿的非法挪用证据，而苹果仅提供了模糊的概念性描述，试图以主观推测掩盖事实证据的匮乏。目前双方的诉辩状提交工作已正式结束，法院将于10月1日召开动议听证会。随着AI行业对顶尖软硬件研发人才的争夺日益白热化，该案不仅关乎跨公司合作中的技术合规边界，其最终裁决也将对硅谷技术人员流动及AI生态中的知识产权保护标准产生深远影响。

AI资讯AI新闻资讯正文谷歌升级搜索 AI 模式:支持300多家平台机票追踪与酒店预订发布于AI新闻资讯发布时间 :2026年8月28号 9:58阅读 :1分钟谷歌于8月27日宣布，对其对话式搜索体验“AI 模式”进行重大功能升级，正式推出航班价格追踪、酒店预订辅助以及积分/里程价格查看等一系列新特性。此次更新标志着谷歌正加速将 AI 模式打造为全流程的 AI 旅行代理，使其能力从单一的信息检索跨越至旅行规划与交易履行的实际落地环节。在具体功能表现上，用户只需在 AI 模式中输入出行时间与目的地，系统即可整合来自300多家航空公司及旅行网站的即时价格与推荐方案，并支持创建行程或设置价格追踪提醒，相关价格变动通知已覆盖全球超过180个国家和地区。在酒店场景中，AI 模式支持基于用户偏好推荐附带评价的房源，并能无缝跳转至 Booking.com、Expedia、万豪、希尔顿等合作方的“在 Google 上继续”界面，结合 Google Pay 完成支付，而后续服务与订单管理仍由预订平台承接。此外，全球用户现已支持通过自然语言直接查询基于航空里程或酒店积分兑换机票和房晚的具体额度。随着生成式 AI 与商业交易深层绑定，这一战略举措将重新定义消费者的出行决策链条，推动搜索体验向具备闭环执行能力的智能化 Agent 演进。

AI资讯AI新闻资讯正文量子技术与AI迎来深度融合！国内首个“玄幂”量子增强大模型正式发布发布于AI新闻资讯发布时间 :2026年8月28号 10:16阅读 :1分钟大语言模型的演进正在尝试打破纯经典计算的物理边界。近日，国光量超人工智能研究团队宣布将前沿量子技术引入大语言模型的决策与推理核心流程，并正式面向科研和学术领域推出了全新的“玄幂”大模型家族。在核心性能与应用表现上，“玄幂”大模型展现出了独特的竞争优势。针对科研科普、任务路由以及智能体决策等垂直与特定任务，该模型相较于主流开源模型，不仅具备更稳定且深度的专业理解能力，还能在复杂场景中输出更清晰的任务判断，同时显著缩短整体决策路径。作为一次跨界技术探索，“玄幂”的发布为大模型在复杂逻辑推理与专业科学计算方向的提效增质，提供了一种全新的量子增强技术路径。

Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具AI工具2天前更新AI小集02Play with Putty是什么Play with Putty 是 Google Labs 推出的多人实时协作 vibe coding 实验工具。用户用自然语言描述需求，AI 自动生成代码，多人可在同一共享空间实时搭建工具与网站，修改即时同步，无需编程基础。产品目前采用候补名单制分批开放，定位轻量社交化创作，让软件从个人编写变为集体对话，在实时协作中快速成型。Play with Putty的主要功能多人实时协作：支持多人进入同一共享工作空间，像编辑协作文档一样同时搭建项目。自然语言驱动（Vibe Coding）：用户用自然语言描述需求，AI 自动生成对应代码，无需编程基础。实时同步渲染：任何提示词修改即时同步给所有参与者，无需手动保存或刷新页面。生成可用产品：输出结果是可直接使用的工具或网站，而非静态预览，支持即时测试。链接邀请机制：创建空间后通过分享链接邀请他人加入，快速组建协作团队。轻量易用：定位消费级实验工具，比 Google AI Studio 更轻量，开箱即用。如何使用Play with Putty访问官网：访问 Play with Putty 官网 https://labs.google/playwithputty，用个人 Google 账户登录并加入 waitlist。等待邀请：Google 会分批通过邮件发送访问邀请，Workspace 及学校/企业账户暂不支持。创建共享空间：获得权限后，新建一个 Putty 空间，系统会自动生成邀请链接。邀请协作者：将链接分享给其他人，对方点击即可加入同一实时协作房间。自然语言描述需求：在共享空间中用自然语言输入提示词，告诉 AI 你想搭建什么工具或网站。实时查看生成结果：AI 自动生成代码并即时渲染，所有参与者同步看到更新，无需保存或刷新。迭代修改优化：房间内任何人都可以随时修改提示词，AI 会立即重新生成，团队可边讨论边搭建。Play with Putty的核心优势多人实时协作：支持多人进入同一共享空间同时创作，打破传统单人编码的孤立体验。零代码门槛：用户只需用自然语言描述需求，AI 自动生成代码，无需任何编程基础。实时同步更新：所有修改即时同步给房间内每位参与者，无需保存或刷新即可看到最新效果。产出即产品：生成结果不是静态预览，而是可直接使用的工具或网站，支持即时测试验证。对话式创作：将软件开发变成集体头脑风暴，团队在讨论中实时看到想法落地，大幅缩短迭代周期。轻量易上手：作为消费级实验工具，无需复杂配置，开箱即用，比专业开发平台门槛更低。Play with Putty的同类竞品对比对比维度Play with PuttyBolt.new产品定位多人实时协作 vibe coding 实验工具单人 AI 全栈应用构建与部署平台协作模式核心卖点：多人同空间实时编辑，共享光标、即时同步以个人开发为主，支持分享链接但非实时协同编辑交互方式自然语言提示词驱动，对话式集体创作自然语言提示词 + 代码编辑器，个人与 AI 结对编程输出形态生成可即时测试的工具或网站，侧重快速验证生成可一键部署的生产级全栈应用（含数据库、后端）目标用户非技术人员、创意团队、教育工作者、轻量用户开发者、独立黑客、希望快速上线的技术人员使用门槛零代码，消费级轻量体验低代码，但理解代码结构有助于深度定制部署能力实验性质，暂未强调独立部署支持一键部署至生产环境，自带域名与托管Play with Putty的应用场景团队快速原型验证：产品、设计、开发多人同屏，用自然语言边讨论边生成可交互原型，1 小时内将想法变为可点击 demo。编程教学与课堂互动：老师与学生共处一个空间，学生用语言描述需求，AI 实时生成代码，老师即时讲解逻辑，降低入门门槛。黑客马拉松与创意马拉松：队员无需配置环境，通过链接加入即可集体 vibe coding，快速拼凑 MVP 并现场演示。企业内部小工具搭建：运营、销售等非技术同事协作搭建数据看板、计算器、审批表单等轻量工具，即搭即用。朋友聚会娱乐创作： 一群朋友边语音边协作，用语言描述一起做个小游戏、投票页面或纪念网站，将社交与创作合二为一。# AI工具©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇AZ8 - AI 视频创作工作台，Agent 实时读取素材与状态下一篇Omarchy - 开源的AI原生Linux桌面 ，自然语言生成桌面主题相关文章Shedevrum – Yandex 推出的 AI 图片生成工具AI小集2SenseNova 6.7 Flash-Lite – 商汤推出的多模态智能体模型AI小集2AutoAgent – 港大推出的 AI 智能体框架，零代码创建智能助手AI小集3吐司AI写真 – 吐司TusiArt平台推出的 AI 写真工具AI小集3MindLLM – 耶鲁联合剑桥等机构推出的医疗领域 AI 模型AI小集2Qwen3-235B-A22B-Thinking-2507 – 阿里推出的最新推理模型AI小集3暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录MetaDigChatArtLexcat造剧立刻成片OJO最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！15分钟前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话16分钟前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架19分钟前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流22分钟前怎么用 MetaDig 做 AI 短视频，附教程实测案例17小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型20小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型20小时前GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox Alpha1天前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型1天前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态2天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作2天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集2天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型2天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型2天前

PixVerse R1 – 爱诗科技推出的全球首个通用实时世界模型AI工具5个月前更新AI小集03PixVerse R1是什么PixVerse R1 是爱诗科技（PixVerse）推出的全球首个通用实时世界模型，标志着AI视频生成从“预录制”迈向“实时动态生成”的重大突破。R1通过三大核心技术实现创新：Omni原生多模态基础模型，将文本、图像、音频与视频融合为单一生成序列；自回归流式生成机制，解决长时序一致性问题，支持用户实时插入指令；瞬时响应引擎（IRE），大幅提升计算效率，实现即时响应。 访问PixVerse平台可直接体验PixVerse R1 的最新能力。PixVerse R1的主要功能实时视频生成：能即时生成连续的视频内容，支持最高1080P分辨率，用户可在生成过程中随时插入新指令，视频会即时响应并调整画面。自回归流式生成：解决了长时序一致性问题，即使在不干预的情况下，视频也能自主发展剧情，实现无限连续的视觉流式传输。多模态融合：采用Omni原生多模态基础模型，将文本、图像、音频与视频融合为单一生成序列，避免了传统上采样带来的模糊与伪影问题。高效计算引擎：通过瞬时响应引擎（IRE），大幅压缩采样步数，计算效率提升数百倍，实现低延迟的实时交互体验。数字分身系统：上传照片能生成三种风格（写实/动漫/赛博朋克）虚拟角色，可在不同场景中探索互动。多人互动直播：支持多人在同一虚拟空间实时创作，Prompt以弹幕形式触发画面变化，所有人可见。实时聊天：Live Chat功能支持创作者即时交流创意。PixVerse R1的技术原理Omni原生多模态基础模型：采用Transformer架构，将文本、图像、音频与视频融合为一个统一的生成序列，避免了传统方法中因上采样导致的模糊和伪影问题，提升了生成内容的质量和一致性。自回归流式生成机制：通过自回归的方式实现视频的连续生成，解决了长时序一致性问题。用户可以在生成过程中实时插入新的指令，系统能即时响应并动态调整视频内容，使生成的视频能够根据用户的输入灵活变化。瞬时响应引擎（IRE）：通过时间轨迹折叠、引导校正和自适应稀疏采样等技术，大幅压缩了传统扩散模型所需的采样步数，显著提升了计算效率，实现了低延迟的即时响应能力，为实时交互提供了技术支撑。实时交互与决策：PixVerse R1支持用户在视频生成过程中随时输入新的指令（Prompt），系统会根据这些指令即时调整视频的叙事方向，在没有用户干预时，模型能自主生成后续内容，实现“无限流”的视频生成体验。高效算力优化：针对实时生成的高算力需求，PixVerse R1通过优化算法和架构设计，降低了单次生成的资源消耗，使得长时间的实时视频生成成为可能，保持了高质量的生成效果。PixVerse R1的项目地址项目官网：https://pixverse.ai/en/blog/pixverse-r1-next-generation-real-time-world-modelPixVerse R1的应用场景实时互动娱乐：可用于创建实时互动的视频内容，如互动剧情游戏，观众可以通过输入指令即时改变故事走向，带来全新的沉浸式娱乐体验。直播与内容创作：支持实时生成视频内容，创作者可以根据观众反馈即时调整直播画面或视频剧情，为直播和短视频创作带来更多创意和互动性。教育与培训：在教育领域，可用于生成实时的虚拟场景或模拟环境，帮助学生更好地理解和参与学习内容，如历史事件重现、科学实验模拟等。广告与营销：品牌可以用PixVerse R1生成个性化的广告视频，根据用户行为或偏好实时调整广告内容，提升广告的吸引力和效果。游戏开发：为游戏开发者提供实时生成的游戏世界和剧情，实现更灵活的游戏设计和更丰富的玩家体验，尤其是在开放世界和沙盒游戏中。影视制作：在影视后期制作中，可用于快速生成特效镜头或预览场景，提高制作效率，同时为创意探索提供更多可能性。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇BabyVision - UniPat AI团队推出的多模态理解评测集下一篇司农 - 南京农业大学开源的农业领域大模型相关文章VoxCPM1.5 – 面壁智能开源的端到端语音合成模型AI小集3Miss Dora – AI儿童英文阅读应用，个性化故事讲述和互动问答AI小集2Baichuan4-Finance – 百川智能推出的全链路金融领域增强大模型AI小集3Code Wiki – Google推出的AI代码文档生成工具AI小集3Quick Mock – MirWork AI 推出的 AI 面试工具AI小集2GPT-5.5-Cyber – OpenAI 推出的网络安全专用模型AI小集3暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录MetaDigChatArtLexcat造剧立刻成片OJO最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！15分钟前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话16分钟前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架19分钟前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流22分钟前怎么用 MetaDig 做 AI 短视频，附教程实测案例17小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型20小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型20小时前GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox Alpha1天前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型1天前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题1天前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具2天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态2天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作2天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集2天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型2天前

IT之家8 月 26 日消息，Stability AI 美国加州当地时间 25 日宣布完成总额 7,600 万美元（IT之家注：现汇率约合 5.12 亿元人民币）的 B 轮融资。这笔资金将用于推动创意制作产品的开发，深化应用研究领域，扩展专业服务业务。Stability AI 本次融资的投资者包括知名游戏企业 EA、全球三大音乐娱乐企业（索尼音乐、环球音乐、华纳音乐），AMD 风投部门也在这一轮中出资。Stability AI 首席执行官 Prem Akkaraju 表示：这一无与伦比的投资者群体印证了我们愿景的实现 —— 即生成式 AI 能够赋能每一位制片人、音乐家和故事讲述者。Stability 在人工智能领域独树一帜，因为我们是为创意人士打造工具的富有创造力的人。开发具有行业引领性的技术意味着要聚集一群具有行业引领力的巨头，而这正是我们做到的。我们的投资者为我们提供了长期成功的保障，因为他们不仅提供资金，还提供专业知识、信誉以及与艺术家直接联系的机会。

PixVerse R2 – 爱诗科技推出的实时全模态世界模型AI工具2天前发布AI小集02PixVerse R2是什么PixVerse R2 是爱诗科技推出的实时全模态世界模型，为PixVerse R1的升级版本。模型支持文字、图像、音频及动作信号等多模态输入，能在运行中持续接收用户控制、实时更新世界状态并连续输出同步音视频。模型通过 Omni Causal AR 架构与实时加速技术，PixVerse R2 在保持长程一致性的同时实现低延迟交互，让视频生成从固定片段进化为可持续演化的动态世界。PixVerse R2的主要功能实时全模态世界生成：支持文本、图像、音频、动作信号等多模态输入，在运行中持续接收用户控制并实时输出同步音视频。长程世界状态保持：通过多时间尺度记忆体系，在长时间运行中维持角色身份、场景设定和关键事件的统一性。动态交互控制：用户可通过 WASD 等动作信号或音频指令，在生成过程中实时操控世界演化方向。自适应时间粒度：根据控制信号的语义边界自动调整音视频生成块大小，兼顾响应速度与表达完整度。错误状态自纠正：通过 Error Bank 机制主动学习并修复历史生成中的偏差，提升长期运行稳定性。PixVerse R2的技术原理全模态因果自回归：将双向时空生成先验转化为单向因果自回归架构，统一处理短视频、长视频与交互轨迹，使画质、音视频表达、长程生成和多模态控制在同一模型中共同扩展。动态分块生成：根据控制信号的时间尺度自适应切分音视频序列，短块提升动作响应精度，长块保留语义完整结构，实现不同任务共享同一因果生成接口。混合教师强制与扩散强制：混合干净历史与带噪历史进行训练，配合因果注意力掩码与相对时间位置编码，缩小训练与推理的分布差距，提升长程稳定性。多时间尺度记忆：由固定锚点记忆、滚动历史记忆和对象键值缓存组成，在固定预算内协同保持世界身份与局部连续性。误差库：将代表性错误历史沉淀为训练样本并回放，使模型主动学习识别和修复偏差，将长期漂移从被动问题转化为主动优化目标。对抗正则去噪分布匹配蒸馏：用全模态因果自回归同时作为学生模型初始化与蒸馏教师，通过条件对齐、分布匹配与对抗正则三信号联合优化，在极少步数下保持控制精度与世界真实感。块稀疏注意力：通过块级相关性路由将注意力稀疏度提升至 90% 以上，集中计算关键依赖，显著降低长上下文开销且效果基本无损。如何使用PixVerse R2目前 PixVerse R2 处于内测阶段，用户需扫码填写体验申请表获取提前体验和 API 接入资格。PixVerse R2的核心优势统一训练范式：采用全模态因果自回归与实时加速层的两阶段统一训练，避免了传统多阶段 Pipeline 的能力折损。全模态实时交互：支持文本、图像、音频、动作信号等全模态输入，能够在生成过程中持续接收用户控制并实时输出同步音视频。长程状态保持：通过多时间尺度记忆体系与误差库机制，在长时间运行中有效保持世界状态统一性并主动纠正漂移。自适应生成粒度：动态分块技术可根据控制信号语义自适应调整生成粒度，兼顾交互响应速度与内容表达完整度。高效无损加速：基于块稀疏注意力与金字塔式超少步蒸馏，在 90% 以上稀疏度下实现低延迟实时生成且效果基本无损。PixVerse R2的同类竞品对比对比维度PixVerse R2Matrix-Game 3.0（昆仑万维）核心定位实时全模态世界模型，面向沉浸式内容与交互体验实时交互世界模型，面向 AI 游戏与虚拟世界构建核心架构Omni Causal AR + 实时加速蒸馏记忆增强的交互式世界模型（Patch 级记忆注入）输入模态文本、图像/视频参考、音频、动作信号（WASD）文本提示、键盘/鼠标动作控制输出内容同步音视频流（Video + Audio）可交互的 3D 游戏世界画面生成性能低延迟流式生成，支持持续交互720p @ 40 FPS（3.0）；单张消费级显卡 20 FPS（3.5）记忆机制多时间尺度记忆（Sink + Rolling + Object KV）+ 误差库纠错Patch 级记忆注入架构，分钟级长程一致性长程一致性通过 Error Bank 主动修复漂移，亮度漂移降低 35.8%分钟级记忆保持，支持数分钟连续探索PixVerse R2的应用场景实时交互式虚拟游戏世界：玩家通过 WASD 等动作信号实时操控第一人称或第三人称视角，模型即时生成对应场景与音画反馈，打造无限延展的开放世界体验。沉浸式影视实时预演：导演在拍摄前通过文本描述和实时动作调整，即时生成分镜动态画面与同步音效，快速验证镜头语言与叙事节奏，大幅降低试错成本。虚拟角色直播与互动娱乐：数字主播或虚拟偶像在直播中实时接收弹幕文本、语音指令或礼物动作信号，动态调整表情、动作与场景，实现真正意义上的实时人机共创内容。实时广告与营销内容生成：品牌方根据用户画像或实时热点，输入产品参考图与简短文案，模型即时生成多版本广告短片并同步配音，支持投放前快速迭代与 A/B 测试。教育培训与仿真模拟：在医学、驾驶或应急演练场景中，学员通过语音或操作设备发出动作指令，模型实时生成对应仿真环境与反馈画面，提供低成本、可重复的沉浸式训练体验。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Breeze TTS 2 - BreezeBlue 推出的新一代语音合成模型下一篇EgoSuite-Open100K - 光轮智能开源的全模态人类行为数据集相关文章BrowseComp – OpenAI 开源的 AI Agent 网络浏览能力基准AI小集3Step-R1-V-Mini – 阶跃星辰最新推出的多模态推理模型AI小集2Claude 4 – Anthropic推出的最新AI编程系列模型AI小集8Hoppy Copy – AI写作工具，快速生成高质量多类型的电子邮件文案AI小集3HealthBench – OpenAI推出的开源医疗测试基准AI小集2CHRONOS – 阿里通义联合上海交大等推出时间线摘要生成新框架AI小集3暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录MetaDigChatArtLexcat造剧立刻成片OJO最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！15分钟前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话16分钟前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架19分钟前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流22分钟前怎么用 MetaDig 做 AI 短视频，附教程实测案例17小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型20小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型20小时前GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox Alpha1天前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型1天前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题1天前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具2天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态2天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作2天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集2天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型2天前

Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型AI工具20小时前发布AI小集02Gemini 3.5 Transcribe是什么Gemini 3.5 Transcribe 是 Google 推出的最新语音转文本模型，支持实时流式和预录音频处理两种模式，前者通过 Live API 实现亚秒级延迟，后者支持说话人归属与词级时间戳。Gemini 3.5 Transcribe 能自动清理填充词与自我纠正、识别 85 种以上语言及实时语言切换、自定义专业词汇，词错误率低至 2.6%，支持调用其他 Gemini 模型完成图像生成等复杂任务。Gemini 3.5 Transcribe的主要功能实时流式转录：通过 Live API 提供亚秒级延迟的连续双向语音转文本服务。预录音频转写：通过 Interactions API 为录音文件提供带说话人归属和词级时间戳的精确转录。智能文本清理：自动去除”嗯””啊”等填充词，修正自我纠正语句，并输出格式化文本。自定义词汇适配：根据用户提供的专业术语和特殊拼写调整转录结果，准确识别邮政编码、订单号等字母数字组合。多语言自动检测：支持 85 种以上语言的自动识别与转录，并能处理实时语言切换和多种口音方言。多说话人区分：在预录音频中准确归属最多三位说话人的发言内容。跨模型功能调用：在转录过程中可调用其他 Gemini 模型执行图像生成、文件分析等复杂任务。屏幕上下文融合：结合设备屏幕内容和对话历史提升特定场景下的转录准确度。Gemini 3.5 Transcribe的技术原理端到端音频理解：模型直接从原始音频波形生成文本，避免中间表示引入的误差累积，同时保留语音中的语调、停顿等副语言信息用于语义消歧。原生多模态融合：基于 Gemini 3.5 统一架构，音频与文本在共享的 Transformer 注意力空间中进行联合编码，使模型能建立声学特征与语义概念的直接映射。上下文感知推理：通过长上下文窗口同时处理语音信号、屏幕截图文本和对话历史，用交叉注意力机制动态加权相关上下文，提升专有名词、文件名称和领域术语的识别精度。增量流式解码：采用自适应分块与投机解码策略，在音频输入持续到达的同时进行局部语义整合，平衡低延迟需求与输出稳定性，支持双向交互中的即时响应与打断处理。如何使用Gemini 3.5 Transcribe开发者接入：通过 Gemini API 在 Google AI Studio 或 Gemini Enterprise Agent Platform 调用模型。实时语音交互：用 Live API 调用gemini-3.5-transcribe-live实现双向流式转录。录音文件处理：用 Interactions API 调用gemini-3.5-transcribe进行带时间戳的离线转写。macOS 桌面端：在 Gemini macOS 应用中直接用语音输入、编辑文本并调用其他模型功能。Android 输入法：在 Gboard 中开启 Rambler 功能，语音输入自动清理并支持语音改稿。Chrome 浏览器：即将支持在任意网页输入框中语音输入与打字。企业部署：通过 Gemini Enterprise Agent Platform 集成至客服与内部工作流。第三方框架：借助 Agora、LiveKit、Vercel 等已接入 Live API 的平台快速搭建语音应用。Gemini 3.5 Transcribe的核心优势转录精度领先：流式场景词错误率低至 4.0%，非流式低至 2.6%，在嘈杂环境中仍能准确捕获字母数字实体。延迟大幅优化：相比前代 Chirp 3，最终转录交付时间缩短 70%，实时流式响应达到亚秒级。智能语义清理：自动去除填充词、修正自我纠正语句，并输出可直接使用的格式化文本。多语言无缝切换：自动识别并转录 85 种以上语言，支持对话中的实时语言切换与多方言口音适配。说话人精准归属：预录音频支持最多三位说话人的发言区分，并附带词级时间戳便于回溯定位。屏幕上下文感知：结合设备屏幕内容与对话历史，显著提升文件名称、专业术语和活跃文档的识别准确度。跨模型任务协同：内置 Function Calling 能力，可在转录过程中调用其他 Gemini 模型完成图像生成、文件分析等复杂操作。Gemini 3.5 Transcribe的项目地址项目官网：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/Gemini 3.5 Transcribe的同类竞品对比对比维度Gemini 3.5 TranscribeOpenAI GPT-4o-transcribe定位智能语音转录模型，支持实时流式与预录音频GPT-4o 架构的专用转录模型，API 托管服务词错误率 WER流式 4.0% / 非流式 2.6%约 2.5%（干净音频，行业领先）实时流式延迟亚秒级，原生双向连续流式支持流式，通过 Realtime API 实现智能文本清理自动去除填充词、修正自我纠正、格式化输出不支持，输出原始口语化文本说话人归属原生支持最多 3 人区分 + 词级时间戳不支持原生，需额外调用 diarize 端点Gemini 3.5 Transcribe的应用场景实时会议智能纪要：在多人会议中实时流式转录，自动区分说话人、清理口语填充词，调用 Gemini 模型即时生成会议摘要与待办事项。多语言客服语音助手：通过 Live API 构建亚秒级延迟的语音客服系统，自动识别客户语言并实时切换，结合自定义词汇准确识别订单号、产品型号等关键信息。医疗与法律口述记录：医生或律师通过语音口述病历、庭审记录，模型自动清理自我纠正语句并格式化专业术语，输出可直接归档的标准文档。跨语言实时字幕与翻译：为直播、视频会议提供多语言实时字幕，用 85+ 语言自动检测能力，结合实时语言切换实现无缝跨语言沟通。语音驱动编程与办公自动化：在 Google AI Studio 或 Gemini macOS 应用中，开发者通过语音描述需求即可生成代码，办公人员语音指令调用屏幕上下文完成跨应用文件总结与图像生成。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Hy-MT2-1.8B - 腾讯混元推出的端侧翻译大模型下一篇怎么用 MetaDig 做 AI 短视频，附教程实测案例相关文章olmOCR – Ai2 开源的 PDF 转结构化文档工具AI小集3Deep Research – OpenAI推出的新型AI深度研究工具AI小集7Seed-OSS – 字节跳动开源的大语言系列模型AI小集3RynnVLA-001 – 阿里达摩院开源的视觉-语言-动作模型AI小集2Octask – 光魔科技推出的 AI 内容工作室平台AI小集3Megrez-3B-Omni – 无问芯穹开源的端侧全模态理解模型AI小集0暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录MetaDigChatArtLexcat造剧立刻成片OJO最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！15分钟前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话16分钟前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架19分钟前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流21分钟前怎么用 MetaDig 做 AI 短视频，附教程实测案例17小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型20小时前GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox Alpha1天前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型1天前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题1天前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具2天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态2天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作2天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集2天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型2天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型2天前