Nexa AI近日推出了其全新的OmniAudio-2.6B音频语言模型，旨在满足边缘设备的高效部署需求。与传统的将自动语音识别（ASR）和语言模型分开的架构不同，OmniAudio-2.6B将Gemma-2-2b、Whisper Turbo以及定制的投影仪集成到一个统一框架中，这一设计消除了传统系统中各个组件链接所带来的低效率和延迟，特别适用于计算资源有限的设备。主要亮点:处理速度: OmniAudio-2.6B在性能上表现出色。在2024Mac Mini M4Pro上，使用Nexa SDK并采用FP16GGUF格式时，模型可实现每秒35.23个令牌的处理速度，而在Q4_K_M GGUF格式下，

​阶跃星辰近日宣布推出Step系列模型矩阵的新成员——Step-1o端到端语音大模型，据称这是国内首个千亿参数端到端语音大模型。这一新模型的发布标志着语音技术领域的一大进步，它通过端到端的语音方案，能够实现语音理解和生成的一体化，从而提升模型智商和情商的上限，并实现超自然、高质量的交流体验。

近日，来自伊利诺伊大学厄巴纳 - 香槟分校、Sony AI 及 Sony 集团公司的研究团队推出了一项名为 MMAudio 的新技术，该技术旨在通过多模态联合训练，实现高质量的视频到音频合成。MMAudio 的核心创新在于能够利用视频和文本输入生成同步的音频，从而拓展了音频生成的应用场景，支持输入视频或文本，生成符合视频内容的音效。MMAudio 的设计使其能够在各种视听和音频文本数据集上进行训练。这种多模态联合训练的方式，不仅提高了合成音频的质量，还确保了生成的音频与视频帧之间的同步

阿里巴巴达摩院的通义实验室近期宣布开源一项名为ClearerVoice-Studio的语音处理技术，旨在提升语音质量和可懂度。随着语音技术的广泛应用，语音质量受到越来越多人的关注，尤其是在环境噪声、混响和设备拾音等情况下，语音处理技术的需求日益迫切。

Cursor 是一款基于 Visual Studio Code 的改良版编程工具，最近发布了一项重要更新，带来了部分编码自动化的能力。这次更新的亮点是新增了 AI 智能体，能够独立导航上下文并执行终端操作，极大地提高了编程效率。在这次更新中，AI 智能体能够响应错误信息，并自主做出决策来解决问题。用户 Wes Winder 在社交平台 X 上展示了这一功能，他通过输入一个简单的文本提示，Cursor 便能在几分钟内创建出一个完整的基于网页的秒表应用，使用了 HTML、CSS 和 JavaScript，并且能够自动启动网页服务器。此

科技企业服务商 AnyMind Group 今日宣布成立全新部门"AI App Studio"，致力于开发基于生成式人工智能（GenAI）和大语言模型(LLM)的应用程序，加速企业数字化转型进程。这个新部门将重点推进 AI 技术与公司自有平台的深度融合，帮助企业充分发挥 GenAI 和 LLM 的潜力解决实际问题。同时，公司正在其分布于东京、曼谷、胡志明市、班加罗尔和杭州的五大工程中心积极招募 AI 人才。AI App Studio 的三大核心任务包括:人才引进:重点招募数据工程师、AI 工程师和项目经理，负责 GenAI 和 LLM 相关应用的开发

微软最近在企业 AI 智能体领域取得了显著进展，已经建立起全球最大的企业 AI 智能体生态系统。自推出 Co pilot Studio 以来，已有超过10万个组织参与了 AI 智能体的创建和编辑。这一里程碑标志着微软在企业科技领域的领先地位。微软高管查尔斯・拉曼纳表示，这一增长速度超出预期，比公司之前发布的任何尖端技术的接受速度都要快。他在最近的 Ignite 大会上宣布，微软将允许企业使用 Azure 目录中的1800个大型语言模型（LLM），这一举措显著增强了企业的智能体能力。此外，微软还推出了

TikTok日前宣布，其人工智能驱动的视频生成工具Symphony Creative Studio已向所有TikTok商业用户全面开放，这一工具将为广告主和内容创作者带来前所未有的创作体验。这款集视频生成、转换和扩展功能于一体的智能工具，旨在帮助广告主和创作者突破创意到制作之间的瓶颈，让视频制作过程更简单高效。用户无需承担额外费用即可使用全套功能。Symphony Creative Studio提供了多项革新性功能:首先，商家和营销人员只需输入相关信息和素材，或直接导入URL链接，就能快速生成视频内容。系统将结合T

微软最近在伦敦的一场活动上推出了它的最新产品 —— 自主人工智能代理，或者说 “虚拟员工”。这些 AI 员工能够独立处理客户咨询和识别销售线索，这意味着公司能够更高效地运营。值得注意的是，微软不仅提供了十款现成的 AI 机器人，还允许客户根据自己的需求定制 AI 代理，简直是为各行各业带来了新的机遇。图源备注:图片由AI生成，图片授权服务商Midjourney其中，C o p i l o t Studio 是一个非常有意思的工具，它将在下个月正式上线。早期用户包括了知名咨询公司麦肯锡，麦肯锡正在

微软正在全球60个城市开展"AI巡讲"活动。这些为期一天的活动旨在搭建桥梁，让对AI感兴趣的企业人士能够与微软工程师和销售团队直接对话，探讨如何打造"AI优先"企业，以及其核心技术Copilot的应用前景。

OpenAI再次引领人工智能技术潮流，推出了全新的gpt-4o-audio-preview模型。这款模型不仅在语音生成和分析方面展现出惊人的能力，还为人机交互开辟了新的可能性。让我们深入了解这款创新模型的特性及其潜在应用。gpt-4o-audio-preview的核心功能包括三大方面:首先，它能够根据文本生成自然流畅的语音响应，为语音助手和虚拟客服等应用提供了强大支持。其次，该模型具备分析音频输入的情感、语调和音调的能力，这一特性在情感计算和用户体验分析领域具有广阔应用前景。最后，它支持语音

Adobe 在全球创意大会 Adobe MAX2024上推出了其最新产品 ——GenStudio，这是一款专为性能营销设计的全新解决方案。GenStudio 是 Adobe GenStudio 生态系统的一部分，旨在帮助企业在内容创作和营销过程中实现更高的效率和个性化体验。它从内容规划、创作到管理、激活和效果测量，全方位优化每一个营销环节。GenStudio 是一款自助式、以人工智能为驱动的应用专注于利用生成式 AI 技术，利用生成式 AI 技术，快速创建高效的广告和电子邮件内容。通过这款工具，创意团队和市场团队可以更好地协同合

在信息爆炸的时代，如何高效获取知识成为众多学习者和专业人士面临的挑战。近日，一款名为PDF2Audio的开源工具应运而生，它巧妙地将人工智能技术与传统阅读方式相结合，为用户提供了一种全新的信息获取方式。PDF2Audio的核心功能是将PDF文档转换为音频内容。这款工具借助OpenAI的GPT模型进行文本生成和语音合成，能够将各类PDF文件转化为播客、讲座或摘要等多种音频形式。用户只需通过简单的操作，就能将枯燥的文字资料变成生动有趣的有声内容。这款工具的设计充分考虑了用户的多

近日，约翰霍普金斯大学与腾讯 AI 实验室联合推出了一款名为 EzAudio 的新型文本到音频生成模型。这项技术承诺以空前的效率和高品质文本转换为声音，标志着人工智能和音频技术的重大飞跃。EzAudio 的工作原理是利用音频波形的潜在空间，而不是传统的声谱图，这一创新让它能够在高时间分辨率下工作，且无需额外的神经声码器。EzAudio 的架构被称为 EzAudio-DiT（扩散变换器），采用了多项技术创新来提高性能和效率。其中包括一种新的自适应层归一化技术 AdaLN-SOLA、长跳连接，以及先进的

在科技与创意的交汇处，Snapchat的母公司Snap再次展现了其创新实力。在近日于加州圣莫尼卡举行的Snap合作伙伴峰会上，公司宣布了一系列激动人心的AI工具升级，旨在为创作者们提供更强大、更直观的内容制作体验。最引人注目的新功能当属"Easy Lens"。这项创新工具让创作者可以通过简单的英文描述，轻松生成Snap独有的增强现实（AR）对象、3D效果、角色和图像变换等Lens效果。Easy Lens集成在Snap的开发者平台Lens Studio中，利用生成式AI模型解析用户输入的文本，并自动使用Lens Studio组件构建相

前言去年，Google 推出了 NotebookLM，这是一款结合了大语言模型 (LLM) 与用户笔记的实验性 AI 笔记本，通过提供摘要、回答问题等方式帮助用户更好地理解某个主题。现在，它甚至可以与你讨论笔记内容。日前 Google 在 NotebookLM 中推出了「Audio Overview（音频概览）」功能，允许用户通过引人入胜的 AI 驱动对话讨论他们的笔记内容。对话由两位 AI 生成的主持人进行，他们利用你的内容背景来解释复杂的主题，做类比，并与你展开持续的对话。在现今的人工智能时代，NotebookLM 以其独特的功能和先

微软研究院发布AutoGen Studio，一个低代码工具，旨在简化AI agent的原型设计和管理工作流。该工具基于开源AutoGen框架，提供网页界面和Python API，允许开发者通过JSON规格定义支持大型语言模型的agent，支持快速原型设计、增强代理技能和组合复杂工作流。AutoGen Studio包含直观的拖放界面、交互式评估和调试能力及可重用组件库，旨在帮助开发者从概念验证转向生产，减少麻烦。目前处于开发阶段，可能不会成熟，但已经在广告、客户支持、网络安全、数据分析、教育、金融等多个行业应用，显示了广泛的适用性和潜在影响。AI agent在组织的云原生策略中能发挥重要作用，并逐渐取代传统机器人流程自动化（RPA）机器人，推动多agent系统创新。AutoGen Studio鼓励开发者用于原型设计和演示，而非生产应用。

Google AI Studio发布全新原生提示库，集成了长文本上下文、多模态输入（图像、视频、音频）与结构化输出等功能，旨在为用户在教育、编程、旅行等多领域提供丰富多元的体验。此库包含配方生成器、数学导师、数学作业生成器、寻宝游戏设计、单元测试生成器、旅行建议等实用功能，通过直观展示和全面信息，增强用户探索感与创新体验。用户只需登录Google AI Studio，访问Prompt Gallery，选择合适提示词并输入需求，即可获取所需内容。该工具的推出为内容创作与日常工作的便利性带来了显著提升。

阿里巴巴近期发布了全新开源语音模型Qwen2-Audio，这款模型在语音识别、翻译和音频分析方面表现出色，实现了显著性能提升。Qwen2-Audio提供基础版和指令微调版，支持多种语言，如中文、粤语、法语、英语和日语，为情感分析和翻译应用提供了便利。相较于Qwen-Audio，Qwen2-Audio在架构和性能上进行了全面优化，预训练阶段采用更自然的语言提示，提升理解和泛化能力。指令跟随能力增强，能更准确理解用户指令。模型引入语音聊天和音频分析模式，输出符合人类期望。在性能测试中，Qwen2-Audio超越OpenAI的Whisper-large-v3，在语音识别和翻译准确性上表现出强劲竞争力。

最近，一首由人工智能创作的歌曲《Verknallt in einen Talahon》凭借feat. udio.com的标识成功跻身德国百大排行榜，达到了第72位，其在Spotify上的表现更为亮眼，位列第27位。这一现象不仅反映了人工智能在音乐创作领域的潜力，也标志着音乐消费方式的转变。排行榜的评定综合考虑了独特的听众数量、播放时间、Shazam识别次数以及iTunes购买量等指标。这首歌曲在各大音乐平台均可收听，包括Spotify。这一成就表明，人工智能参与的音乐作品正日益受到市场和听众的欢迎。