免费创建音画同步的“数字演员”
GAGA-1 是首款将声音、嘴型与表情一次性生成的 AI 视频模型，解决了传统 AI 视频口型与情绪脱节的问题。
1️⃣ 音画同步生成
模型采用 co-generation 架构，类似人类一次性完成说话与表情，声音波形与面部动作同步输出，无需后期对齐。
2️⃣ 情绪与场景
支持还原失望、愤怒等复杂微表情，也能一次性生成双人对话场景，无需拼接。
3️⃣ 低成本高效率
目前免费使用，上传图片与台词 Prompt，3-4 分钟即可生成 10 秒 720p 视频。
🔹 适合短剧、虚拟主播、NPC 对话等场景。当前版本对大幅度肢体动作支持有限，过长台词可能“吞字”。未来官方计划开放自定义音频与固定音色功能。
官网: http://gaga.art
免费创建音画同步的“数字演员”
更多动态
Google Gemini 3.0 Pro 即将发布，采用 MoE 架构
MoE 架构与动态专家路由：如同一个智能团队，针对不同任务实时组合最合适的专家，总参数达数万亿，但单次查询只激活约 150-200 亿，兼顾效率与成本。 上下文窗口大幅扩展：从 2.5 的 100 万 token 提升至数百万 token，能够处理完整书籍或代码库的输入，提升文档分析效率。 内置 Deep Think 模式：自动进行复杂推理和自我纠错，无需手动切换，提高任务准确性。 实时多模态能力：支持 60FPS 视频处理、3D 物体理解与地理空间数据分析。 🧪 性能表现 编程：在 SVG 生成、前端开发（生成 2300+ 行代码）、3D 渲染等任务中超越 Claude 4.5 Sonnet。 复杂推理：3 分钟解决牛津剑桥难题，GPT-5 Pro 耗时 14 分钟。 人类最后考试基准：Gemini 3.0 Pro 得分 32.4%，高于 GPT-5 的 26.5% 和 Grok 4 的 23.9%。 开发者可通过 Google AI Studio 进行早期 A/B 测试。访问 aistudio.google.com/prompts/new_chat ，选择 Gemini 2.5 Pro 模型，重复发送提示 10-20 次，留意出现 A/B 测试界面（模型 ID 以 "2HT" 等开头）即可识别。 预计 2025 年 10 月 13 日正式发布，初期面向企业伙伴与开发者 API 开放。持续关注官方动态以获取最新访问信息。
如何低成本搭建自己的多模态数字人
OpenAvatarChat 是一个模块化的开源对话系统，提供了一套灵活高效的解决方案。 它的核心设计就像搭积木，用户可以按需组合语音识别 (ASR)、大语言模型 (LLM)、语音合成 (TTS) 和数字人渲染 (Avatar) 等模块。 1️⃣ 模型灵活：支持 MiniCPM-o 等本地模型，也兼容 OpenAI 等云端 API，成本可控。 2️⃣ 部署方便：提供多种预置 yaml 配置文件和 Docker 支持，无论是本地 GPU 推理还是云端 API 调用，都能快速部署。 GitHub： https://github.com/HumanAIGC-Engineering/OpenAvatarChat
美团 LongCat-2.5发布了。
1.6T 总参、激活约 48B，原生多模态，主推长程智能体，全程国产算力训练。 图像量化成多级离散 token，Visual Coding 与 3D 受益。 大规模长程 RL，把失败轨迹转成可验证训练任务。 W4A4 推理，prefill 吞吐提升 43%。 官方自测介于 Claude-Opus-4.8 与 Opus-5 之间。
商汤开源 SenseNova Loop-9B-Preview。
它不堆参数，堆"层数"。32 层解码器，中间 4–27 层同权重跑两遍 → 前向 56 层计算，只存 9B。 自测 BIRD-Dev 71.38、AutomationBench 13.72，超 Qwen3.5-27B；Terminal Bench依旧落后。
