Gemini 2.5 Flash Preview Native Audio Dialog
Google Gemini 2.5 Flash 系列的預覽模型,面向 Live API 即時對話,具備原生音訊輸出能力。它與單獨發布的 Thinking 變體及文字轉語音模型不是同一模型。(aistudio.google.com) 理解音訊並生成語音,可用於建構即時語音助理和對話應用;Live API 還提供音視訊輸入能力。(blog.google) 可按指示調整語音風格、語速和口音;支援工具使用…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
Google Gemini 2.5 Flash 系列的預覽模型,面向 Live API 即時對話,具備原生音訊輸出能力。它與單獨發布的 Thinking 變體及文字轉語音模型不是同一模型。(aistudio.google.com) 理解音訊並生成語音,可用於建構即時語音助理和對話應用;Live API 還提供音視訊輸入能力。(blog.google) 可按指示調整語音風格、語速和口音;支援工具使用…
Gemini 2.5 Flash Preview TTS 是 Google 的預覽版文字轉語音模型,側重低延遲、性價比和可控語音生成。其輸入為文字,輸出為音訊。(aistudio.google.com) 可生成單人或雙人語音,並透過指令調整語音風格、口音和語速。(aistudio.google.com) 可用於旁白、有聲書、Podcast、對話內容及語音助理等場景。(aistudio.google…
Google Gemini 2.5 Pro 系列的預覽版文字轉語音模型,面向高品質、可控制的語音合成,適合處理較複雜的語音生成提示。(blog.google) 接收文字並生成音訊,支援單人語音和雙人對話。(aistudio.google.com) 可透過自然語言提示調整語音風格、語調、情緒、語速和發音;支援多語言語音生成。(blog.google) 可用於公告、故事朗讀、Podcast 和遊戲角色…
Gemini 2.5 Flash Preview 是 Google 於 2025 年 5 月 20 日發布的預覽版模型,定位為兼顧速度、成本和推理能力的高效率模型。與此前版本相比,Google 報告其在推理、多模態、程式碼和長上下文基準上有所改進。(blog.google) 推理與控制:支援思考預算,開發者可在品質、延遲和成本之間進行權衡,也可關閉思考;Gemini API 和 Vertex AI…
騰訊混元 TurboS 系列的大型語言模型版本,面向通用文字與推理任務。此版本自適應融合長短思維鏈。(cloud.tencent.com) 官方表示,相較於先前版本,此版本提升了數學、程式碼、邏輯和科學等理科能力,文科效果維持不變。可用於數學與邏輯問題分析、程式碼相關任務及科學問題解答。官方公布的測試結果包括:數學 OOD 測試集提升 7%、邏輯難題提升 5%、程式碼能力及體驗提升 5%、科學提升…
codex-1 是 OpenAI 針對軟體工程最佳化的 o3 版本,為雲端編碼智慧代理 Codex 的首發研究預覽版提供支援。它使用多種環境中的真實編碼任務進行強化學習訓練,以遵循指示並產生符合人類編碼風格和程式碼審查偏好的程式碼。(openai.com) 撰寫功能、修復錯誤、回答程式碼庫問題,並提出供審查的 GitHub 拉取請求。 在獨立的雲端沙箱中讀取和編輯檔案,執行測試、程式碼檢查工具和型…
hunyuan-t1-vision 是騰訊混元的多模態理解深度思考模型。騰訊雲產品動態記載,其正式版於 2025 年 5 月 16 日發布。(cloud.tencent.com) 模型支援多模態原生長思維鏈,擅長圖片推理;官方稱其在理科難題上的表現相較快思考模型有所提升。它可用於圖文理解和基於圖片的推理任務。(cloud.tencent.com) 發布公告未給出該正式版的上下文視窗、圖片數量或解析…
Qianfan-Sug 是百度千帆平台自研的對話預測垂直模型,面向多輪對話中的下一輪問題推薦。百度將其列為推理服務 API V2 的文字生成模型。(ai.baidu.com) 模型根據既有對話上下文識別使用者意圖,推測使用者接下來可能提出的問題,可用於智慧客服、電商等場景,為使用者提供後續問題建議。(ai.baidu.com) 該模型的定位是對話預測和問題推薦;預測結果並不保證與使用者的實際下一次…
Wan2.1-VACE-Plus 是萬相 2.1 的影片創作與編輯統一模型,接受文字、影像和影片等條件輸入,輸出影片。官方公告將其列為影片生成模型。(help.aliyun.com) 支援影片局部編輯、影片重繪、畫面擴展、影片時長延展和圖片參考生成。 可用於修改或替換影片中的局部元素、擴展畫面邊界,以及參考影像或影片的內容與動態特徵生成影片。(help.aliyun.com) 2.1 版 API…
Seedance 1.0 lite 的圖生影片版本,是字節跳動面向效率和成本最佳化的小參數量影片生成模型。該 API ID 對應圖生影片;同系列文生影片使用另一模型 ID。(docs.volcengine.com) 根據輸入圖片生成影片,可結合文字提示;支援首影格或首尾影格控制。BytePlus 歷史模型資料還列出使用 1–4…
Seedance 1.0 lite 的文字生成影片版本,是面向生成速度與成本最佳化的小參數量影片生成模型。輸入文字提示詞及可選參數,輸出影片;圖片生成影片使用獨立的 I2V 版本。(developer.volcengine.com) 根據文字描述生成影片,可透過提示詞描述人物、動作和運鏡。官方介紹了環繞、空拍、變焦、平移、跟隨和手持等鏡頭語言。(developer.volcengine.com)…
千問即時全模態理解與生成模型的 2025 年 5 月 8 日快照版本,面向即時音訊互動。(docs.modelstudio.console.alibabacloud.com) 支援文字、影像、影片和音訊輸入,可理解音訊伴隨其他模態的混合輸入。 支援同時串流生成文字和語音,提供 4 種自然對話音色。 適用於即時語音助理、多模態對話等互動場景。(help.aliyun.com) 官方先前的模型資料列示…
Google 於 2025 年 5 月 7 日發布的 Gemini 2.0 Flash 圖像生成預覽模型,面向開發者建構對話式圖像生成和編輯應用。發布時可透過 Google AI Studio 和 Vertex AI 使用。(developers.googleblog.com) 根據文字提示生成圖像,並可在回應中結合文字和圖像。 透過對話編輯圖像,例如修改圖像的特定部分;官方還展示了協作繪圖、產品…
Google 於 2025 年 5 月 6 日提前發布的 Gemini 2.5 Pro 預覽更新,重點增強程式設計能力,尤其是互動式網頁應用程式和前端介面開發。(blog.google) 支援程式碼生成、轉換和編輯,以及複雜的智慧代理工作流程;Google 同時報告改善了函式呼叫的觸發率並減少了呼叫錯誤。(developers.googleblog.com) 具備多模態推理、影片理解和長上下文能力…
kimi-thinking-preview 是 Moonshot AI 發布的長思考模型預覽版。官方將其描述為具備多模態推理和通用推理能力的模型,擅長深度推理,可用於處理複雜程式碼、數學和工作問題。公告未詳細列明全部支援的模態及其介面規格。(platform.kimi.com) API 回應使用 reasoning_content 返回思考內容,使用 content 返回回答;串流輸出中思考內容先…
DeepSeek-Prover-V2-671B 是面向 Lean 4 形式化定理證明的數學推理模型,基於 DeepSeek-V3-Base 訓練,與 DeepSeek-V3 使用相同架構。官方提供模型權重下載,使用須遵守模型授權條款。(github.com) 可根據形式化定理生成證明計畫和 Lean 4 證明程式碼,適用於數學定理證明、證明輔助及形式化推理研究。 訓練方法結合子目標分解、形式證明資…
aitryon-plus 是阿里雲百煉的虛擬試衣圖片生成模型,於 2025 年 4 月 28 日上架。(docs.bailian.console.aliyun.com) 模型以服飾平拍圖片和人物正面全身照為輸入,生成相應的試衣效果圖片。官方稱,相比 aitryon,Plus 版本改善了圖片清晰度、服飾紋理細節及 logo 還原效果,適合對生成時效要求不高的虛擬試衣場景。(docs.bailian.…
基於 Qwen-VL 訓練的視覺理解與 OCR 模型,使用統一模型處理圖文識別、解析和處理任務。此版本是 2025 年 4 月 13 日的快照。(docs.bailian.console.aliyun.com) 內建六類任務:通用識別、文件解析、表格解析、資訊擷取、多語言識別和公式識別。可用於從文件、表格及其他圖片中擷取和整理文字資訊。(docs.bailian.console.aliyun.co…
騰訊發布的 3D 內容生成模型,面向需要建立高精度、帶有紋理的三維資產的創作者和開發者。技術報告將其描述為採用形狀生成和紋理生成兩階段流程的 3D 擴散模型體系。(arxiv.org) 支援透過文字提示或圖片生成 3D 模型,並支援使用多個視角的圖片生成模型及 PBR 材質。(cloud.tencent.com) 官方稱模型總參數量由前代的 1B 提升至 10B,有效面片數增加超過 10 倍,有效…
Qwen-TTS 是通義千問系列的語音合成模型,將文字轉換為音訊。此版本是 2025 年 4 月 10 日的模型快照;支援中文、英文及中英混合文字輸入,可根據文字自適應調整輸出語氣,並支援串流音訊輸出。(docs.bailian.console.aliyun.com) 可用於中文、英文或中英混合內容的語音播報,以及需要串流輸出的文字轉語音應用。(docs.bailian.console.aliyu…