

> 导语：今日AI界风起云涌，谷歌Gemini与YouTube纷纷推出强大的AI图像视频生成新功能，引领视觉内容创作新浪潮。与此同时，李沐团队发布了开创性的文本转语音模型Higgs Audio v2，而皮尤研究则揭示了AI对搜索行为的深刻影响。此外，Anthropic的研究为AI安全敲响警钟，阿里云则推出了更具性价比的编程大模型，快手与上交大联合推出的Orthus模型也打破了多模态生成的边界。

## 谷歌Gemini迎来重磅更新：内置Imagen模型，一键生成高质量图像

谷歌AI服务Gemini进行了重大升级，现在用户可以直接在界面中调用Imagen模型，轻松生成高质量的图像。此次更新还提供了遵循MCP规范的llms.txt文件，方便开发者获取最新的API和SDK使用方法。这一系列举措旨在简化开发流程，提升AI应用的性能，帮助开发者在日新月异的AI领域中保持领先地位。

![image.png](https://static.downly.cn/images/897b4259c51cbaa8aafefbe9bd78b1b8.png)

## 李沐团队发布Higgs Audio v2 开创语音合成新纪元

知名AI创业者李沐团队Boson.ai近日推出了开源的文本转语音大模型Higgs Audio v2。该模型功能强大，不仅支持多语言对话生成、韵律调整和声音克隆，甚至可以创作并演唱歌曲。Higgs Audio v2融合了1000万小时的语音数据进行训练，在情感和问题类别测试中表现远超GPT-4o-mini-tts。其先进的技术能够有效处理音频并利用预训练大模型，支持上下文学习。该模型的应用场景十分广泛，包括实时语音聊天、内容创作和语音克隆等，其代码现已在社区开源。

![image.png](https://static.downly.cn/images/308914ac71a51c79cbf4851a33039e11.png)

## 皮尤研究中心重磅发布 谷歌AI概览重塑搜索行为，外部网站流量锐减

皮尤研究中心的最新研究报告指出，谷歌的AI概览功能正在显著改变用户的搜索习惯。数据显示，该功能导致用户点击外部网站的流量大幅减少。当AI摘要出现时，仅有8%的用户会点击其他网站链接，而只有1%的用户会点击AI提供的源链接，大多数用户的搜索行为在谷歌页面内就已经结束。维基百科和政府网站成为这一趋势的最大受益者，而新闻出版商的流量则遭受了严重打击，这对开放的互联网生态系统产生了深远的影响。

![image.png](https://static.downly.cn/images/1dc682e6bc1f63f3626df0344ad9034e.png)

## Anthropic研究揭示 AI模型能从无害数据中习得隐藏行为

Anthropic的一项开创性研究揭示了AI模型之间存在一种被称为“潜意识学习”的未知现象。研究发现，模型能够在没有明确线索的情况下，通过数据中微妙的统计模式，继承教师模型的隐藏行为特征，即使这些数据看似完全无害。这种现象可能导致“错位”和“奖励黑客”等高风险行为的传播，对当前依赖数据过滤的安全模型构建方法提出了严峻挑战。这项研究呼吁，AI安全检查需要更加深入，必须考虑到这些能够躲避检测的统计特性，以确保AI系统的安全与可靠。

![image.png](https://static.downly.cn/images/442dcec2c9ecf64aaa7c89f4b264da87.png)

## Qwen3-Coder上线阿里云百炼 价格比Claude 4便宜3倍

阿里云最新推出了AI编程大模型Qwen3-Coder的API。该模型在性能上表现卓越，已超越GPT4.1等闭源模型，并与Claude4不相上下。更具吸引力的是，其价格仅为Claude4的三分之一，为广大开发者提供了一个低成本、高效率的编程解决方案。

![image.png](https://static.downly.cn/images/617a97b5c0af617e774c16cf3ff616c7.png)

## 快手与上交大联合推出Orthus模型 打破多模态生成新边界

快手与上海交通大学合作开发的Orthus模型，在近期的ICML大会上亮相并宣布开源。该模型基于自回归Transformer架构，能够高效地实现图文互转、图像编辑以及网页生成。在多项性能指标上，Orthus均超越了现有模型，展现出在多模态生成与理解领域的巨大潜力。

![image.png](https://static.downly.cn/images/190aef4bc3f4c6299fbce4da65785a94.png)

## 谷歌与YouTube引领AI视觉创作新潮流

谷歌相册和YouTube Shorts近期双双发布了强大的AI新功能，进一步降低了普通用户的创作门槛。谷歌相册新增的AI功能，不仅能将用户的照片“混搭”成动漫、漫画、素描或3D动画等不同风格，还能将静态图片一键转换为生动的视频。与此同时，YouTube Shorts也推出了类似的功能，允许创作者将相册中的图片转化为时长六秒的短视频，并增加了多种AI特效，极大地丰富了短视频的创作形式。

![image.png](https://static.downly.cn/images/74d9516c523f823722ea1f0c5eee78c1.png)


每日AI资讯0724：谷歌Gemini、YouTube引领AI图像视频新浪潮，李沐团队发布语音合成新模型



> 导语：本期AI速览将带您深入科技巨头们的“芯”事：从Meta与OpenAI之间愈演愈烈的“抢人大战”，到苹果因人才流失而动摇的AI根基，巨头间的竞争已进入白热化阶段。与此同时，AI技术正以前所未有的速度渗透至各行各业，无论是能说会道的方言语音合成，还是颠覆传统乐谱制作的“听歌识谱”神器，创新应用层出不穷。然而，AI在版权领域的法律争议依旧悬而未决，为这场技术革命蒙上了一层复杂的阴影。


*封面图提示词：一个充满未来感的数字大脑，发光的神经网络中流动着数据流，象征着全球在人工智能领域的竞赛与创新，电影般的灯光，超现实主义风格。*

## 科技巨头人才争夺白热化：OpenAI紧急加薪反击Meta“强盗式”挖角
面对Meta高价挖角，OpenAI内部紧急动员，其首席研究官公开表示将与Meta正面竞争。为稳定军心，OpenAI不仅重构了薪酬体系，还承诺以创新的方式奖励顶尖人才，并强调了公平竞争的底线。另一边，扎克伯格亲自挂帅，组建“招聘小组”，精准锁定OpenAI等公司的核心人才，意图打造一支无人能及的超级智能团队。尽管Meta方面声称天价挖角费有所夸大，但两大巨头间的人才争夺战已然全面爆发。

![image.png](https://static.downly.cn/images/0f2cd6bcd98a5ee5f9bcb0f29b98da04.png)

## 苹果AI帝国现裂痕：核心人才流失，Siri或将“外包”求生
苹果在人工智能领域的领导地位正遭遇严峻挑战。近期，公司一位关键的AI研究员宣布离职，而负责苹果自研MLX框架的核心团队也几乎全员流失，这无疑引发了内部的信任危机。据传，公司内部对自家AI模型的质量也信心不足，可能将被迫寻求外部帮助，将Siri等核心功能的开发“外包”给Anthropic或OpenAI等竞争对手，以应对团队士气低落和战略方向模糊的困境。

![image.png](https://static.downly.cn/images/cd713104ad1998b1071983ce46e4f1d1.png)

## 法律科技巨头联手：Clio斥资10亿美金收购vLex，押注AI法律数据
法律科技领域的独角兽公司Clio近日宣布了一项重大举措，斥资10亿美元收购法律数据巨头vLex。Clio估值高达30亿美元，此次收购表明其正大力押注由人工智能驱动的法律数据服务。此举旨在增强其现有法律服务平台的功能，通过整合vLex庞大的法律数据库和AI分析能力，满足市场日益增长的需求，并进一步巩固其在行业中的领导地位。

![image.png](https://static.downly.cn/images/d720e1ea534d74c8f0e3a1b9d48e4505.png)

## AI版权战警钟长鸣：一字不差复述原作，Meta与Anthropic侥幸过关？
近期，AI版权纠纷再次成为焦点。尽管Meta和Anthropic在近期的官司中暂时获胜，但法官的判决也明确指出了AI模型训练数据的“原罪”问题。AI输出内容可能直接构成对原作的抄袭，这一潜在的巨大风险并未消除。这意味着，AI公司在法律层面仅仅是暂时“过关”，未来仍需面对更为棘手和昂贵的版权挑战，这可能成为其商业模式中不可忽视的成本。

![image.png](https://static.downly.cn/images/13be7a91699688633c74cc6e02569ebf.png)

## 乡音可闻：通义千问Qwen-TTS上新，支持京沪川三大方言
阿里巴巴旗下的通义千问团队发布了其语音合成模型Qwen-TTS的最新版本。此次更新的最大亮点是新增了对北京话、上海话和四川话三种中文方言的支持。该模型基于海量语料库进行训练，能够根据输入文本自动调整语调、节奏和情绪，生成媲美真人的自然流畅语音。新版本同时提供了中英双语的音色选项，方便开发者通过API将其集成到各类应用中。[体验地址](https://qwenlm.github.io/zh/blog/qwen-tts/)

![image.png](https://static.downly.cn/images/a90e08c502931a2ea997baad8f01aed7.png)

## 音乐人福音：AI版“听歌识谱”Songscription问世，录音秒变乐谱
一款名为Songscription的创新产品正式上线，它被誉为“乐谱界的Shazam”。这款工具利用AI技术，旨在将音乐人从繁琐的手动抄谱工作中解放出来。用户只需将录制好的歌曲上传，系统便能自动分析并生成相应的乐谱，极大地提高了音乐创作和学习的效率。

![image.png](https://static.downly.cn/images/c53c2d54a47c2b6148984dd668507137.png)

## AI走进课堂：谷歌发布Gemini教育套件，重塑师生交互模式
谷歌正积极地将AI技术引入教育领域。公司最新推出了面向教育者和学生的一系列Gemini新工具。其中，名为Notebook LM的AI研究工具将允许教师结合自己的课堂材料，创建个性化的交互式学习指南。此外，谷歌还为学生设计了专用的聊天机器人，旨在通过AI拥抱课堂，为传统的教学和学习方式带来革命性的变化。

![image.png](https://static.downly.cn/images/1377961ecb5861c07651bfdb6e1724d2.png)

## 对标GPT-4o：国产开源模型OmniGen 2实现图文融合生成新高度
北京人工智能研究院（BAAI）近日推出了一款名为OmniGen 2的全新开源系统。该系统采用了独特的文本与图像分离解码路径，基于Qwen2.5-VL-3B模型构建，其能力类似于GPT-4o，能够融合处理图像和文本生成任务。OmniGen 2不仅支持文生图、图像编辑和上下文连贯的图像创作，还能驾驭多种艺术风格并进行自我反思改进。尽管在照片级清晰度和中文提示理解上仍有提升空间，但其在基准测试中的表现已超越了许多同类开源模型。

![image.png](https://static.downly.cn/images/93bab25d807b769abc1b71e92aa4ec8d.png)

## 知乎“直答”再升级：融合社区生态，打造沉浸式AI问答新体验
中文问答社区知乎对其AI搜索工具“知乎直答”进行了重要功能升级。新版“直答”的知识库功能与知乎社区内容实现了前所未有的深度融合，新增了内容订阅分享、沉-浸式阅读以及“边看边问”等互动功能。此举旨在充分利用知乎庞大的专家网络和高质量的专业内容，为用户提供更加高效、个性化的AI问答体验，并进一步扩大优秀答主的影响力。

![image.png](https://static.downly.cn/images/efd0669df8ecd68ded4a0695ce065c39.png)

AI每日资讯0701



> AI界风起云涌，技术应用与产业格局均迎来重磅更新。从谷歌Gemini实时生成交互界面的惊艳技术，到字节跳动、海螺AI等公司在视频生成领域的持续加码，AI正以前所未有的速度渗透到创意与交互的方方面面。与此同时，月之暗面开源其强大的多模态模型Kimi-2506，进一步推动社区发展。产业层面，苹果意图收购Perplexity的传闻引发市场巨震。然而，在一片高歌猛进中，MIT的研究也为我们敲响警钟，提醒我们需警惕对AI的过度依赖可能带来的认知影响。

## 警惕AI陷阱 MIT研究揭示过度依赖AI或导致大脑“变懒”

麻省理工学院（MIT）的一项最新研究为我们揭示了过度依赖AI工具可能带来的潜在风险。实验表明，与独立写作或使用搜索引擎辅助相比，长期完全依赖AI（如ChatGPT）进行写作的用户，其大脑在处理任务时的活跃度显著降低。这可能意味着认知能力的“走捷径”会削弱我们深度思考和解决问题的能力。研究还发现，亲身参与创作过程能显著增强人们对作品的归属感和满意度，这是纯粹由AI生成的作品无法替代的。

![iShot_2025-06-23_11.34.16.png](https://static.downly.cn/images/fd04b6a34281a853aae107ce409605b3.png)

## 字节跳动亮出新王牌 DreamActor-H1让商品图秒变带货视频

<video src="https://static.downly.cn/images/6ba10cca10c17c49251a28ddcf57071b.mp4"  title="30647320772-1-16.mp4"></video>
字节跳动近日发布了名为 [DreamActor-H1](https://submit2025-dream.github.io/DreamActor-H1/) 的视频生成系统，展示了其在AIGC视频领域的最新成果。该系统能够仅通过一张商品图片和一张人物照片，自动生成一段高质量、专业风格的带货短视频。从技术演示来看，其效果与广受欢迎的AI视频工具HeyGen相似，能够极大降低电商视频的制作门槛。目前，DreamActor-H1仍处于技术展示阶段，官方仅发布了演示视频和技术报告，尚未公布论文或开源计划。


![image.png](https://static.downly.cn/images/ff55f3865fb3c3d5438b81a67ab2f6c2.png)




## 谷歌开源Magenta RT 音乐创作进入实时生成新纪元

谷歌DeepMind团队为音乐创作者和开发者带来了一份大礼——开源了实时音乐生成模型Magenta RealTime (Magenta RT)。作为其先进模型Lyria的开放权重研究预览版，Magenta RT专注于实时交互式音乐创作与表演，能够根据用户的输入即时生成连贯的音乐片段。这一举措预示着AI在音乐领域的应用正从离线生成迈向实时协作，为现场表演、即兴创作和音乐教育开辟了全新的可能性。



![image.png](https://static.downly.cn/images/cc77d28a44031136de7ef51d6a435223.png)



## 视频剪辑迎来“自动驾驶” 海螺AI发布视频创作智能体

<video src="https://static.downly.cn/images/d1e844c63c547a134a3cddc0442a4596.mp4"  title="30647322073-1-16.mp4"></video>
国内AI初创公司海螺AI正式推出了其视频创作工具——Hailuo Video Agent。该工具定位为视频领域的“智能体”，旨在将创作者从繁琐的剪辑工作中解放出来。初期版本通过提供创意模板来简化创作流程，但其最终目标是实现用户自主编辑乃至完全自动化的“一键出片”。该智能体集成了音乐、TTS（文本转语音）、音效和字幕等全套功能，代表了AI赋能视频编辑的未来发展方向。



![image.png](https://static.downly.cn/images/883dd177d41f430aed6d85896ae5b853.png)



## 为机器人打造逼真世界 开源框架EmbodiedGen破解3D环境生成难题

具身智能（Embodied AI）的发展一直受限于高质量、物理真实的3D训练环境。为了突破这一瓶颈，一个名为EmbodiedGen的开源框架应运而生。它能够根据文本或图像输入，生成具有正确物理属性、密闭几何结构且可扩展的3D对象和场景。该框架生成的资产兼容多种主流物理模拟器，极大地降低了为机器人训练和数字孪生创建虚拟世界的成本和难度，为智能机器人研究铺平了道路。


![image.png](https://static.downly.cn/images/9b78864d652be698562cd2ddfafd4b23.png)



## 声音的“私人订制” MiniMax推出Voice Design音色设计功能

稀宇科技（MiniMax）在其开放平台上发布了创新的Voice Design音色设计功能。用户现在可以通过简单的文本描述，自由组合“任意语言、任意口音、任意音色”，创造出独一无二的个性化语音。该功能不仅能精准控制情感、音质等细节，还成功规避了传统音色复刻可能带来的版权风险，为内容创作、虚拟助手等应用场景提供了前所未有的便捷与高效。
用户可通过[稀宇科技国内版平台](minimaxi.com/audio)或[海外版平台](minimax.io/audio)体验Voice Design功能，探索语音合成的无限可能。
![image.png](https://static.downly.cn/images/2ce996768ec2bf3468a3b177bbae2128.png)

## 未来交互已至 谷歌Gemini 2.5 Flash-Lite实现“心念所想，界面即现”

谷歌DeepMind再次展示了其强大的技术实力，发布了Gemini 2.5 Flash-Lite模型。该模型最令人震撼的特性是其超低延迟的实时交互界面生成能力。用户可以通过语音或文本描述，瞬间生成并修改UI界面。这项技术结合了多模态输入和长上下文窗口，预示着一种全新的“生成式操作系统”的到来，用户与设备的交互方式或将被彻底颠覆。
![image.png](https://static.downly.cn/images/85e05624284ab97b3dc8479268d39ee4.png)

## 300亿美元豪赌 苹果或将收购Perplexity以重塑搜索格局

市场传出重磅消息，苹果公司正考虑以高达300亿美元的价格收购AI搜索初创公司Perplexity。若交易达成，这将成为苹果历史上最大规模的并购。此举被视为苹果应对AI时代搜索市场变革的关键一步，意图通过Perplexity先进的对话式、答案驱动的搜索技术，全面升级Siri和Safari的用户体验，以在与谷歌等对手的竞争中抢占先机。

![image.png](https://static.downly.cn/images/9d947b288c191a494212917b1cc2cf34.png)
## Kimi-2506开源 月之暗面升级多模态与智能体能力

国内大模型独角兽月之暗面宣布开源其最新的多模态模型Kimi-2506。新模型在智能体（Agent）和视觉理解能力上取得了重大突破。官方数据显示，其推理效率大幅提升，能够更节省token，同时在多项基准测试中得分显著提高。尤其在视觉方面，它支持高达320万像素的高分辨率图像处理，并在图表分析、长文档问答及视频理解等复杂任务上表现出色。

![image.png](https://static.downly.cn/images/b874ae38fdde0c49932a6e19ff4a81de.png)




AI每日资讯0623

> OpenAudio 近日正式发布了其旗舰级文本到语音（TTS）模型 OpenAudio S1。该模型凭借在多语言支持、精细情感控制以及卓越语音质量上的突破，旨在为专业级语音合成应用树立新标杆，为内容创作、虚拟助手、教育娱乐等领域带来革命性变革。

OpenAudio 开源的mini版本：[fish-speech](https://github.com/fishaudio/fish-speech)，12GB显存可以部署，支持多语言，尤其是中英文。

## OpenAudio S1 发布 专业级 TTS 模型定义语音新高度

FishAudio 近日宣布正式推出其最先进的文本到语音（Text-to-Speech，TTS）模型——OpenAudio S1。 这款旗舰级模型旨在重新定义专业级语音合成的标准，它不仅继承了 OpenAudio 在音频技术领域的深厚积累，更在多语言支持、情感控制以及语音质量和推理速度方面实现了显著突破，为开发者和内容创作者提供了前所未有的强大工具。

<video src="https://static.downly.cn/images/937fb20a74e4f524f57349a88a63b04b.mp4"  title="30326196592-1-16.mp4"></video>

在数字化内容日益丰富的今天，高质量、富有表现力的语音合成技术变得愈发关键。 OpenAudio S1 的推出，正是为了满足这一不断增长的需求，它将 AI 驱动的语音生成推向了一个新的高度。

### 核心亮点 多语言情感控制

OpenAudio S1 的核心竞争力之一在于其卓越的**多语言支持和精细的情感控制能力**。

*   **多语言覆盖** S1 能够理解并合成多种语言的语音，这对于全球化内容创作和跨文化交流至关重要的。 无论是新闻播报、有声读物还是交互式语音助手，它都能提供自然流畅的语音。
*   **精细情感表达** 模型能够根据文本内容和指令，生成带有特定情感色彩的语音，如喜悦、悲伤、愤怒、惊讶、平静等。 这种情感控制不仅仅是简单的语气调整，而是深入到语音的韵律、语速和音调，使其听起来更具表现力和真实感。 这对于需要传递情感深度的叙事、角色扮演或客户服务应用至关重要。
*   **语音克隆与音色定制** 除了标准语音，S1 还具备强大的语音克隆能力，能够学习并合成特定人物的音色，保持其独特的语调和发音习惯，极大地拓宽了定制化语音的应用场景。

这些能力使得 OpenAudio S1 成为一个高度灵活且富有表现力的语音合成解决方案。

### 专业级音质与低延迟推理

除了强大的情感和多语言能力，OpenAudio S1 在**语音质量和推理速度**方面也达到了专业级水准。

![image.png](https://static.downly.cn/images/b229da518b4d8418fff5e5f72a31599d.png)

*   **卓越音质** S1 生成的语音具有极高的保真度，听起来自然、清晰，几乎与真人发音无异。 这得益于其先进的声学模型和波形生成技术，确保了语音的纯净度和流畅性。
*   **低延迟推理** 对于实时应用如语音助手、在线教育或游戏中的角色语音，低延迟是关键。 OpenAudio S1 在保证高音质的同时，实现了快速的文本到语音转换，确保了交互的即时性和流畅性。
*   **稳定性与鲁棒性** 即使面对复杂的文本输入或背景噪音，S1 也能保持稳定的输出质量，展现了其作为专业级模型的鲁棒性。

这些特性使得 OpenAudio S1 能够满足最严苛的专业应用需求，为用户提供无与伦比的听觉体验。

### 应用前景 赋能各行各业

OpenAudio S1 的发布，预示着语音合成技术在多个领域将迎来新的突破。

![image.png](https://static.downly.cn/images/4237b6c84fd18ed505711fecc2e4933d.png)

*   **内容创作** 播客、有声读物、视频旁白、动画配音等，S1 能够提供多样化的声线和情感表达，丰富内容形式。
*   **虚拟助手与客服** 提升虚拟助手的自然度和亲和力，实现更人性化的客户服务交互。
*   **教育与娱乐** 为在线课程、游戏角色、互动故事等提供沉浸式语音体验。
*   **无障碍辅助** 帮助视障或阅读障碍人士更便捷地获取信息。
*   **品牌声音定制** 企业可以定制专属的品牌声音，提升品牌识别度。

OpenAudio S1 的发布，无疑为开发者和内容创作者打开了新的大门，使其能够以更低的成本和更高的效率，创作出具有情感深度和专业水准的语音内容。

## 未来展望 持续推动语音技术边界

OpenAudio S1 的推出，是文本到语音技术发展史上的一个重要里程碑。 它不仅仅是一个功能强大的模型，更是 OpenAudio 持续创新、推动语音技术边界的体现。

OpenAudio 将继续投入研发，探索 TTS 技术的更多可能性，例如更精细的音色控制、更自然的语境适应能力以及更广泛的语言覆盖。 随着 AI 技术的不断进步，OpenAudio S1 有望在未来几年内，为我们的日常生活和工作带来更深远的影响，让机器的声音真正变得有温度、有情感。



FishAudio重磅发布OpenAudio S1 - 多语言+情感控制 TTS模型

> 字节跳动正式推出小云雀 AI，主打一键生成数字人视频功能。



随着数字内容创作需求的爆发，效率和便捷性成为新的追求。 近日，字节跳动正式发布了其在 AI 领域的又一重要产品——小云雀 AI。 这款 AI 应用的核心亮点在于其强大的数字人视频一键生成功能，极大地降低了数字人视频的制作门槛。目前仅支持安卓版本，iOS用户可能要再等等啦～
oppo 商店已经上架
![](https://static.downly.cn/images/20250530082105.161737324.png)

小云雀 AI 的“一键生成”能力，意味着用户只需要输入文本或上传少量素材，AI 即可自动生成带有数字人口播的视频内容。 这种便捷的操作方式，有望彻底改变传统的数字人视频制作流程，使其变得更加高效和亲民。

## 一键生成 轻松打造专属数字人视频

小云雀 AI 的“一键生成”能力，主要体现在以下几个方面

*   **文本驱动** 用户输入文字，AI 即可将文字转化为自然流畅的数字人口播。
*   **形象定制** 提供多种数字人形象选择，或允许用户定制自己的数字人形象。
*   **背景与场景选择** 提供丰富的虚拟背景和场景，或支持用户上传自定义背景。
*   **智能剪辑与合成** 自动完成口播与画面的同步，生成完整的视频文件。

<video src="https://static.downly.cn/images/20250530081548.653310493.mp4" title="171_1748592810.mp4"></video>

这些功能使得小云雀 AI 用户即使没有专业的视频制作经验，也能快速、轻松地创建数字人视频，将创意想法转化为生动的视频内容。

## 应用广泛 多领域迎来效率提升

小云雀 AI 的出现，有望在多个领域发挥重要作用，提升内容制作效率。



例如

*   **教育培训** 快速生成课程讲解视频，降低教师制作成本。
*   **企业宣传** 制作公司介绍、产品演示视频，提升品牌形象。
*   **短视频内容创作** 为短视频创作者提供新的内容形式和生产工具。
*   **新闻媒体** 快速生成新闻播报或资讯类视频。
*   **客服互动** 打造智能数字客服，提供更加生动自然的交互体验。

小云雀 AI 的出现，为这些领域的内容创作者和企业提供了强大的工具，帮助他们以更低的成本和更高的效率生产高质量的视频内容。

## 技术驱动 未来数字人视频新趋势

小云雀 AI 的核心在于其背后强大的 AI 技术支持，包括但不限于

*   **先进的语音合成技术** 将文本转化为逼真的人类语音。
*   **高质量的数字人建模与驱动技术** 创建栩栩如生的数字人形象并实现自然的表情和动作。
*   **智能视频合成与编辑算法** 将不同的元素 seamlessly 地整合到视频中。


字节跳动在 AI 领域的深厚积累，为小云雀 AI 提供了坚实的技术基础。 随着技术的不断发展，数字人视频的质量和逼真度也将持续提升。 小云雀 AI 的推出，无疑是数字人视频制作迈向普惠化、智能化道路上的重要一步，预示着数字人视频在未来将扮演越来越重要的角色。




 告别复杂 字节跳动小云雀 AI 一键生成 视频创作从未如此简单



> 曾经，和 AI 交流只能靠“打字”，就像给一个拥有超强大脑的朋友发微信，总觉得少了点啥。现在，那个以“安全”著称的 AI 公司 Anthropic，终于给他们的 Claude 注入了“声音”！最新推出的语音模式，让 Claude 不仅能听懂你的声音，还能用自然流畅的语音回复你。这波操作，是想让 Claude 从一个“键盘侠”彻底变成你的“语音助手”吗？

## Claude 终于学会开口说话了

Anthropic 正式宣布，在其 Claude 移动应用中加入了语音模式。这意味着用户不再局限于文字输入，可以直接通过语音与 Claude 进行交互。这一功能上线，无疑让 Claude 的用户体验迈上了一个新台阶。

![image.png](https://static.downly.cn/images/20250528063953.132108751.png)

想象一下，你开车的时候突然想到一个问题，或者在做饭的时候想让 Claude 帮你查个菜谱，现在只需要对着手机说句话就行了，再也不用腾出手来打字了。这对于很多习惯语音交流的用户来说，简直是个福音！

## 语音交互的痛点与机遇

虽然市面上已经有一些支持语音交互的 AI 产品，但用户普遍反映的问题是，语音识别不够准确，回复的语音听起来不够自然，甚至有些“机械音”。这些痛点在一定程度上影响了用户体验。

Anthropic 此次为 Claude 推出语音模式，显然是看到了这个巨大的机遇。他们可能会利用自己在 AI 模型方面的优势，尝试提供更准确的语音识别和更自然的语音合成效果。如果 Claude 的语音模式能够解决这些现有痛点，无疑会在竞争激烈的 AI 市场中脱颖而出。

![image.png](https://static.downly.cn/images/20250528064139.470428328.png)

## 不只是“听”和“说” 更自然的交互体验

Claude 的语音模式不仅仅是简单的语音输入和输出。根据报道，它更强调一种**“对话式”的体验**。这意味着 Claude 不仅能听懂你的指令，还能理解你的语境，并用更符合人类交流习惯的方式进行回复。

这可能涉及到更高级的自然语言处理技术，让 Claude 在语音对话中表现得更像一个真正的对话伙伴，而不是一个只会执行指令的机器。这种更自然的交互体验，有望让用户在使用 Claude 时感到更轻松、更愉快。



## 语音模式的应用场景 无处不在的助手

Claude 的语音模式上线，将极大地拓展其应用场景。无论是**移动办公、学习研究、日常生活**，甚至在**娱乐休闲**时，Claude 都可以变身为你的语音助手。

*   **开车时** 快速询问路线、播放音乐、发送信息。
*   **做饭时** 查找食谱、设置计时器、获取烹饪建议。
*   **学习时** 朗读文档、翻译句子、解答问题。
*   **散步时** 听取新闻摘要、播客、或者让 Claude 给你讲个笑话。

[插图：多张小图组合，分别展示不同场景下使用 Claude 语音模式的画面]

这些场景的便利性提升，可能会吸引更多用户将 Claude 作为他们的日常 AI 助手。

## 安全与自然的结合 Anthropic 的差异化竞争

Anthropic 一直以来都强调其在 AI **安全**方面的投入和优势。在推出语音模式的同时，他们可能也会考虑到语音交互中可能出现的安全问题，并采取相应的措施。

将“安全”与“自然语音交互”结合，可能是 Anthropic 在 AI 市场中寻求差异化竞争的一种方式。在追求更强大 AI 能力的同时，不忘保障用户的安全和隐私，这或许会赢得一部分注重安全的用户群体的青睐。



## 语音模式的未来展望

Claude 语音模式的推出，只是 AI 语音交互发展的一个缩影。未来，我们可以期待更精准的语音识别、更逼真的语音合成、以及更深入的对话理解能力。

![image.png](https://static.downly.cn/images/20250528064321.076151877.png)

随着技术的不断进步，AI 语音助手将越来越融入我们的生活，成为我们不可或缺的一部分。而 Anthropic 的 Claude 语音模式，无疑是朝着这个方向迈出的重要一步。它能否凭借其“安全”和“自然”的特色，在语音 AI 市场中占据一席之地，让我们拭目以待。



Anthropic Claude 能“说话”了！语音模式上线直击痛点，AI聊天更自然？



> 在人工智能生成内容（AIGC）的快速发展浪潮中，视频生成一直是公认的挑战高地。以往的 AI 视频生成模型，虽然在画面质量上不断进步，但始终未能解决一个关键性的缺失：声音，尤其是与视频内容同步、自然流畅的语音。如今，Google 推出的新一代视频生成模型 **Veo 3**，通过一项具备划时代意义的突破，彻底改变了这一现状。Veo 3 不仅能够生成高质量、高分辨率的视频，更带来了让视频“会说话”的能力，预示着 AI 内容创作，特别是电影制作领域，即将迎来一场深刻变革。

## 视频生成的关键拼图 声音的缺失

长期以来，AI 视频生成模型主要集中在对视觉元素的建模。它们能够根据文字描述生成令人惊艳的画面，模拟复杂的运动和光影。然而，这些生成的视频往往是“无声电影”，缺乏同步的背景音效，更不用说与画面内容高度匹配、自然真实的语音。

![image.png](https://static.downly.cn/images/20250522063056.831386861.png)

这种声音的缺失，极大地限制了 AI 在电影、短片、动画等需要叙事和对话的内容创作领域的应用潜力。人类的视频体验是视听结合的，声音是传达情感、信息和增强沉浸感不可或缺的一部分。

## Veo 3 的革命性飞跃 让视频“开口说话”

Veo 3 的出现，填补了 AI 视频生成领域长期以来缺失的关键拼图。据 latest 消息显示，Veo 3 最具颠覆性的能力在于其能够根据生成的视频内容，智能地生成匹配的语音。

想象一下 根据一段文字描述生成的电影场景，其中的角色不仅在画面中进行着动作，还能根据剧情和对话生成相应的语音，甚至模拟不同的声音特质和情感表达。这不仅仅是简单的语音合成，而是与视频内容高度同步、具备语境理解能力的语音生成。

![image.png](https://static.downly.cn/images/20250522063145.819731738.png)
这项技术突破意味着 AI 视频生成不再是单一的视觉艺术，而是向着 complete 的多媒体内容创作迈进。它将 AI 生成视频的能力提升到了一个全新的维度，使其能够更好地服务于叙事性内容的需求。

## 背后技术的融合与创新

实现“视频会说话”的能力，需要 AI 模型对视频内容和声音信息进行高度复杂的协同处理。这可能涉及到以下几个层面的技术融合：

*   **高级视频内容理解** 模型需要深入理解视频中的场景、人物、动作以及潜在的叙事意图。
*   **文本-语音同步生成** 将用户输入的文本描述（可能包含对话）与生成的视频画面精确对齐，并生成符合语境的语音。
*   **音色和情感模拟** 更进一步的能力可能包括根据角色设定或场景氛围，生成具有不同音色和情感色彩的语音。

Veo 3 可能融合了 Google 在视频生成、自然语言处理、语音合成以及跨模态建模等多个领域的最新研究成果。这 represents a significant leap forward in building AI models that can understand and generate multimodal content seamlessly。

## AI电影制作新纪元 Veo 3 的广阔应用前景

Veo 3 具备“开口说话”的能力，对其在电影制作、短视频创作和教育等领域的应用潜力产生了 profound 的影响。

### 革新电影制作流程

电影制作中的配音、配乐和音效合成是复杂且耗时的环节。Veo 3 的语音生成能力可以极大地简化甚至自动化某些流程。例如，它可以根据生成的 rough cut 视频初步生成对话和基础音效，帮助导演和剪辑师更快地进行迭代和完善。



### 赋能独立创作者

对于资源有限的独立电影制作人或短视频博主来说，Veo 3 降低了制作高质量、带有完整音轨的视频的门槛。他们可以更专注于创意本身，将繁琐的后期制作部分交给 AI 完成。

### 拓展教育和娱乐体验

在教育领域，Veo 3 可以生成带有讲解或对话的 explanatory 视频，使学习内容更加生动和 engaging。在娱乐领域，它可以用于快速制作带有语音的动画、虚拟角色表演等，丰富用户体验。

## 挑战与未来展望 AI的叙事能力

尽管 Veo 3 实现了革命性的突破，但让 AI 真正像人类一样进行自然的、充满情感的对话生成，并与复杂叙事 perfectly 结合，仍然存在挑战。理解 nuanced 的情感、进行自然的语速和语调变化，以及在多角色对话中保持一致性，都需要 AI 技术的 further advancement。

然而，Veo 3 的“会说话”能力无疑是 AI 内容创作领域的一个 important milestone。它不仅推动了技术的边界，也为人类创作者提供了前所未有的工具，去探索和实现更丰富、更具表现力的视觉叙事。

随着 Veo 3 等先进模型的不断发展，AI 与人类创意的协同将越来越紧密，共同塑造未来的内容创作格局。AI 不再仅仅是图像的画笔或视频的帧生成器，它正逐步成为能够理解并表达“声音”的叙事伙伴。



超越视觉 Google Veo 3 用声音点亮AI视频



> 在人工智能飞速发展的浪潮中，语音合成（Text-to-Speech，TTS）技术是连接人与 AI 的重要桥梁。创造自然、富有情感、甚至能够模拟特定人声音的语音合成技术一直是业界的追求目标。近日，中国 AI 公司 MiniMax 宣布其新一代语音模型取得了突破性进展，在多个公开评测中表现卓越，甚至在某些关键指标上超越了在该领域处于领先地位的 OpenAI 和 ElevenLabs。这一成就不仅标志着中国在语音合成技术上的显著进步，更预示着一个更加个性化、具有“人格”特征的语音交互时代的来临。



## 语音合成的进化-从冰冷到富有情感

早期的语音合成技术往往生成机械、生硬的语音，难以与真人的自然流畅相媲美。随着深度学习技术的应用，语音合成的自然度大幅提升，出现了能够模拟不同性别、年龄声音的模型。然而，要实现真正富有情感、具有个体特征的“人格化”语音，仍然是技术上的巨大挑战。

“人格化语音”不仅仅是简单地模仿音色，更包括对语音的语速、语调、停顿、情感色彩的精确控制，使其听起来像一个有思想、有情感的个体在说话，甚至能够模拟特定人物的说话风格和习惯。



![image.png](https://static.downly.cn/images/20250515103155.581424744.png)



## MiniMax 新模型-性能屠榜的背后

MiniMax 的新一代语音模型之所以能够取得如此亮眼的成绩，并在公开评测中“屠榜”，很可能得益于其在以下方面的技术创新：

*   **大规模数据训练-** 利用海量的语音数据进行训练，使模型能够学习到更丰富、更细腻的语音变化规律。
*   **先进的模型架构-** 采用了更高效、更强大的神经网络架构，例如 Diffusion 模型或其他生成模型，以更好地捕捉语音的复杂特征。
*   **情感和风格控制-** 模型可能内置了更精细的情感和说话风格控制模块，允许用户或应用精确地调整生成语音的情感和语气。
*   **个性化声音克隆-** 有能力在少量样本的基础上，生成高度逼真的特定人物声音，实现真正的“声音复刻”。

据报道，在多项衡量语音自然度、相似度、情感表达能力的指标上，MiniMax 的新模型都展现出了超越现有顶尖模型的性能。



![image.png](https://static.downly.cn/images/20250515103041.509768561.png)



## 人格化语音时代的来临-应用前景广阔

MiniMax 新一代语音模型的成功，不仅仅是技术上的突破，更预示着“人格化语音”的应用时代正在加速到来。这项技术具有广阔的应用前景-

*   **智能助手和聊天机器人-** 让 AI 助手拥有更自然、更具亲和力的声音，提升用户体验。
*   **有声读物和播客-** 可以用特定角色的声音朗读内容，增加沉浸感。
*   **游戏和虚拟现实-** 为虚拟角色赋予独特的、富有情感的声音。
*   **内容创作和配音-** 简化配音流程，降低成本，并能够生成特定角色的声音。
*   **个性化服务-** 例如为老年人或视力障碍者提供定制化的语音服务，甚至模拟亲人的声音进行陪伴。

拥有高度个性化和情感化的语音，将使 AI 应用不再是冷冰冰的工具，而是能够与用户建立更深层次连接的“人格”体。



![image.png](https://static.downly.cn/images/20250515103240.060380921.png)



## 挑战与未来

尽管取得了显著进展，人格化语音技术仍面临一些挑战-

*   **声音的泛化和鲁棒性-** 如何确保在各种语境、语速和情感变化下都能生成高质量的语音？
*   **伦理和安全问题-** 高度逼真的声音克隆技术可能被用于欺诈或虚假信息传播，需要建立相应的规范和防护措施。
*   **计算资源需求-** 高级语音模型的训练和推理通常需要大量的计算资源。

然而，MiniMax 的这一成果无疑为推动人格化语音技术的发展注入了新的动力。随着技术的不断成熟和成本的降低，我们可以期待在未来看到更多基于人格化语音的创新应用，它将深刻地改变我们与 AI 交互的方式，让数字世界变得更加温暖和人性化。


MiniMax 新一代语音模型震撼发布，性能屠榜-超越 OpenAI 和 ElevenLabs，预示人格化语音时代来临

悦音配音

MiniMax推出的AI语音合成工具，支持声音克隆

搜索结果: 语音合成