​1月20日，商汤科技宣布其“日日新融合大模型交互版”（SenseNova-5o）正式对外提供实时音视频对话服务，并限时免费开放给用户使用。这一交互版本的发布，标志着商汤在人工智能领域的又一重要进展，旨在通过强大的实时交互、视觉识别、记忆思考和复杂推理能力，推动AI与人类更自然、更流畅的交流。

​阿里云百炼大模型服务平台最近推出了“音视频实时互动”功能，使用户能够轻松搭建多模态AI应用，无需编程知识。这一新功能使得用户可以快速将AI模型集成到Web、iOS和Android应用中，并与他人分享。用户可以通过简单的步骤来搭建智能体应用:首先新建智能体应用，然后在阿里云百炼平台上选择并配置所需的文本、语音或视觉理解大模型。平台提供了200多种大模型，包括具备强大视觉智能体能力的阿里云Qwen2-VL大模型。接下来，用户需要编写提示词，设置音视频API-KEY，并发布自己的专属AI应用。

微软在Windows11中计划推出“智能媒体搜索”功能，允许用户通过口语搜索已索引的本地视频或音频文件。此功能需用户同意扫描设备上的媒体文件，并在后台下载、安装AI模型进行转录和索引。目前功能仍在开发中，AI模型可能需要专用神经处理单元来处理运算。用户能否选择特定文件进行搜索仍有待明确，隐私问题因AI全面扫描媒体内容而引起关注。如果允许用户选择性处理，此功能可应用于会议或简报的高效转录，类似于Otter.ai等第三方云服务。

武汉大学联合中国移动九天人工智能团队和昆山杜克大学基于YouTube数据开源了超过11万小时的音视频说话人识别数据集VoxBlink2。该数据集包含9904382个高质量音频片段及其相应的视频片段，来自YouTube上的111284名用户，是目前最大的公开可用的音视频说话人识别数据集。数据集的发布旨在丰富开源语音语料库，支持训练声纹大模型。

近日，NVIDIA宣布推出一款名为Broadcast的软件，旨在通过AI技术自动消除背景噪音和房间回声，并提供背景移除、替换和模糊等功能，令用户可以在不需要实际绿幕或复杂灯光设置的情况下，自定义背景。 利用AI技术提升音频和视频质量 Broadcast可以通过AI技术自动消除背景噪音和房间回声，确保音频输出清晰。

["分秒帧是一站式音视频生产协作平台，提供在线审片批注等功能","该平台旨在提升团队的审改效率和出片效率，降低人力消耗","功能包括在线审片、分享交付、流程管理、资产管理等","适用于广告、传媒、教育、游戏、影视等多个领域","分秒帧已为超过 100 万创作者和 3000 + 企业提供服务"]

["1. AIGC正在颠覆音视频行业,提升效率和用户体验。","2. 腾讯云音视频正致力于音视频技术的智能化升级。","3. 腾讯云音视频解决方案正在造福医疗等多个行业。"]