让 AI 语音 Agent 不再“卡顿”的 ASR 方案
ElevenLabs 推出了 Scribe v2 Realtime，一个专注超低延迟的流式语音转文字模型。
🔹 延迟： 约 150ms 响应，比常规 ASR（如 Whisper）快，实现自然对话体验。
🔹 覆盖： 支持 90+ 语言，对口音、噪音和专业术语（医疗/法律）容错性好。
🔹 成本： 免费层 10000 信用分/ 每月，年付方案约 0.28 美元/小时，适合从个人项目到企业。
应用场景：
◦ AI 客服、虚拟助手（需要即时反馈）。
◦ 实时会议转录、自动字幕。
官网：https://elevenlabs.io
#AI #ASR #ElevenLabs #语音识别 #生产力工具
让 AI 语音 Agent 不再“卡顿”的 ASR 方案
更多动态
快速生成可编辑的 3D 场景
李飞飞团队 World Labs 开放了首款商用世界模型 Marble。它能将文本、图片、视频或 3D 布局转为持久化、高保真的 3D 环境。 1️⃣ 多模态输入：支持从文本、单图、多图或视频片段生成空间连贯的 3D 世界。 2️⃣ AI 原生编辑：内置 Chisel 编辑器，实现了“结构”与“风格”解耦（类似 HTML 与 CSS 的关系），可深度修改。 3️⃣ 格式友好：支持导出高斯点云（Gaussian Splats）和三角网格，可直接导入 Unity 或 Unreal Engine。 关键是价格：提供免费版（4 次生成）。Pro 版首月优惠价仅 1 美元（约 7 元），大幅降低了试用门槛。 适合游戏开发、VFX 或 VR 创作者快速搭建场景原型。 官网：marble.worldlabs.ai #世界模型 #AIGC #3D建模 #李飞飞 #Marble
用 3B 算力跑 28B 模型的推理
百度新开源了多模态模型 ERNIE-4.5-VL-28B-A3B-Thinking，重点是通过 MoE 架构实现低成本高性能。 MoE (混合专家) 原理好比： 你有一个 28 人的专家团 (总参数)，但回答问题时只喊 3 个最懂行的 (激活参数) 来干活。结果是 3B 模型的计算/显存占用，但接近 28B 模型的推理能力。 1️⃣ 免费可商用：Apache 2.0 许可。 2️⃣ 独特能力：“带图像思考” (Thinking with Images)，可对图像局部缩放、裁剪和迭代推理，适合复杂图表、文档理解。 3️⃣ 性能参考：官方称在 VQA、MMBench 等基准上优于 Gemini 2.5 Pro。 🔹 注意：虽然激活参数少，但部署时需加载全部 28B 权重。最小配置需 80GB 显存 (如 A100)，支持 vLLM。 Hugging Face: https://huggingface.co/baidu/ERNIE-4.5-VL-28B-A3B-Thinking #AIart #多模态 #开源模型 #MoE #ERNIE
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。
