阿里这次开源的通义百聆（Fun-CosyVoice3）属实有点东西，特别是在“白嫖”和“本地部署”这件事上，给独立开发者留了条活路。
实测下来，几个感觉最明显的点：
* 轻得离谱：0.5B 的参数量，直接跑在我的开发本上居然不卡。官方说首包延迟降了 50%，体感就是刚敲完回车，声音就出来了，这就很适合做实时语音助手。
* 嘴替神器：最变态的是 Zero-shot 音色克隆。我随便录了段 3秒 的普通话，它居然能完美复刻我的音色去讲日语和英语。对于我这种想做 Global 内容但口语又烂的人，简直是救命稻草 🤯。
* 避坑指南：别信什么“完美接近人类”，在极度嘈杂的背景音下取样，克隆出来的声音还是会有明显的“电音感”。而且环境配置有点折腾，Python 依赖地狱警告 😤。
相比云端 API 按字符收费的肉疼，这种能塞进本地 Docker 的方案才是真香。
趁现在代码刚热乎，赶紧去 Pull 下来试试。
#AI工作流 #独立开发 #数字游民
阿里这次开源的通义百聆（Fun-CosyVoice3）属实有点东西
更多动态
本来以为又是个只活在 PPT 里的学术项目
，结果看完 LivingSwap 的 Demo，我后背真有点发凉。 以前搞视频换脸，最烦的就是侧脸狂闪和光影崩坏，为了修那些破绽，我在 After Effects 里修帧修到想吐。LivingSwap 这货的路子很野，它不像传统 GAN 那样“逐帧硬 P”，而是把整个视频喂给 AI 做参考（Video Reference Guided）。 简单说，它“懂”这一秒的光打在脸上应该是啥样。 实测下来，那些大动作、甚至脸上带特效妆的复杂镜头，它居然都能稳住不飘，甚至连被风吹起的头发丝投影都能保留。论文里说能把后期人工修复量减少 40 倍，这数据对于我们这种单兵作战的独立开发者来说，简直是救命。 最大的坑：毕竟是基于 DiT 的扩散模型，虽然质量吊打 SimSwap 这种老前辈，但这推理速度慢得像蜗牛。昨晚跑个短片，显卡风扇叫得像要起飞，显存小的机器基本可以告辞了。 这种好莱坞级别的技术下放，以后想做个“数字替身”门槛是真低了... #AI视频 #独立开发 #LivingSwap #数字游民
刚写完脚本准备配音，结果随手测了下 Google 刚更的 Gemini 2.5 TTS
，手里的咖啡瞬间不香了。🤯 简单说：这玩意儿不是在“读”，是在“演”。 我以前最烦 TTS 那种“毫无波澜的朗诵腔”。但这次 2.5 版本有个离谱的Prompt 导演模式。 我试着输了一段：“从紧张不安开始，慢慢加速到兴奋高潮”，它居然真的顺着情绪弧度变了！尤其是 Enceladus 这个预设声音，连那种长句子讲完后的“呼气声”都有，听得我起鸡皮疙瘩。 实测下来： 懂梗：它知道讲笑话的时候哪里该停顿（抖包袱），讲动作戏的时候语速会自动变快。 混语大神：中英夹杂的文案，终于没有那种尴尬的“译制片腔”了，切换非常丝滑。 便宜：Pro 版每百万音频 token 才 $20，相比隔壁竞品，简直是做慈善。 ⚠️ 但是这里有个大坑 别高兴太早，这货在念数字、具体地址的时候偶尔会翻车，遇到复杂的人名也容易嘴瓢。如果你是做那种精准度要求极高的医疗/财经内容，建议多听几遍或者手动微调。 这波更新我觉得是把“能用”变成了“好用”。目前 Google AI Studio 还能免费白嫖试用，感觉离全面收费不远了。 #AI工作流 #独立开发 #GeminiTTS #内容创作
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。
