Pinterest 周二展示新功能 Beauty Guides，用其视觉智能与生成式 AI 技术 Pinterest Intelligence，把用户收藏的美发、美甲类 Pin 图转成可带去沙龙的行动方案。该功能会把图片翻译成造型师和美甲师使用的术语，如 balayage、root melt、almond nails，并提供实现同款造型需要提出的具体要求、耗时、价格区间和维护频率等信息。用户点击应用内 Get the Guide 按钮即可查看。上线时覆盖发型、发色、指甲形状和质感相关的 Pin。
推荐理由做美妆、本地生活或图片导购的产品可以看：把图片灵感翻译成行业术语加价格耗时，是 AI 落地消费场景的具体样本。
Reka 发布 Rho-1 研究预览版，一个从零训练的 19B 全模态推理模型，单一神经网络可理解并生成文本、图像、视频，并输出机器人动作。模型采用双流架构：离散 token 承载文本与高层指令，连续 token 承载图像潜变量、视频帧与机器人动作，两条专家权重流共享注意力与 KV cache。官方测试中，基础版视频生成速度为实时的 0.79 倍，约 6 秒可看，首个片段 7.0 秒；蒸馏版将去噪步数从 99 降至 8，约 1 秒返回 5.3 秒片段。机器人方面在 LIBERO 仿真中输出 7 个动作通道。以上均为…
推荐理由19B 单模型替代多模态流水线，视频生成 0.79x 实时、蒸馏版 1 秒出片，做 Agent 和机器人可关注
TII 在 Falcon-H1-Arabic 基础上推出 Falcon-Emirati-7B，专门理解和生成阿联酋阿拉伯语（海湾方言），覆盖词汇、语气和文化语境。该模型基于 Falcon-H1 混合架构，将 Mamba 状态空间模型与 Transformer 注意力并行融合，兼顾长序列线性效率与长距离依赖精度。Falcon-H1-Arabic 系列含 3B、7B、34B 三个规模，上下文窗口最高 128K 和 256K token，此前已用现代标准阿拉伯语及海湾、黎凡特、埃及、马格里布等方言数据训练。团队选择 7B…
推荐理由做阿拉伯语本地化或中东市场的团队可关注：方言模型选 7B 而非 34B，成本与效果更平衡。
Reka AI 发布 Rho-1 研究预览版，这是一个 190 亿参数的全能模型，在单一神经网络内处理并生成文本、图像、视频和机器人控制动作。与多数将任务分发给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一个共享上下文窗口中，无需工具调用或外部模型。模型可实时生成连续视频，并即时响应新指令而无需重启。预测摄像头图像的同一套权重也驱动机器人运动。为绕开机器人训练数据稀缺的问题，Reka AI 构建了一个逆动力学模型，从普通互联网视频中提取控制信号。Rho-1 在 320 块 H100 GPU 上…
推荐理由190 亿参数单模型打通文本、视频与机器人控制，且用互联网视频替代稀缺机器人数据，做具身智能的团队可直接参考其训练思路。
德国 AI 公司 Aleph Alpha 发布 Kolibri，一个德英双语开源权重模型，总参数 780 亿，采用混合专家架构，每 token 激活约 30 亿参数。公司称其在质量与运营成本上处于帕累托前沿，德语基准得分 71%，解码速度快于 GPT OSS A5B、Qwen 3.6 A3B 和 Gemma 4 A4B。训练数据中德语占 21.3%，并使用中文模型生成合成数据。模型面向公共行政、航空和工业，支持最高 100 万 token 上下文，在德国和芬兰用 768 块 B200 GPU 训练，权重以 Apac…
推荐理由780 亿参数、Apache 2.0 开源、德语基准 71%，做欧洲合规部署可直接下载权重
TCL P80 Ultra 是首款将 Nxtpaper 磨砂技术用于 OLED 面板的手机，屏幕具备更深黑色、更好对比度和更丰富色彩，并首次支持息屏显示。侧边 Nxtpaper 键可切换 Paper Mode，可去色或全单色，默认豁免流媒体和游戏应用。作者认为屏幕观感是最大亮点，但性能卡顿、三摄拍照平庸，作为手机本身不推荐。文中提到这让作者更期待 iPhone Duo 的磨砂内屏。
推荐理由想了解磨砂 OLED 实际观感的人可看：作者实测亮度、可视角度和防眩光表现，并指出性能与拍照是短板。
开发者 codeswithroh 在 DEV Hacktoberfest 挑战中发布开源项目 চিঠি（Chithi），用开源权重模型 Gemma 帮只读孟加拉语的家人识别账单、银行信件和诈骗短信。用户用手机拍下纸质文件或截图，应用会朗读出这是什么、需要做什么（金额、截止日期），并用红色「প্রতারণা（诈骗）」标记提示风险，附一键呼叫家人的按钮。项目最初只支持孟加拉语，后扩展到印度第八附表全部 22 种语言加英语。本地部署时照片不出家门，用 Ollama + Gemma 在家用笔记本上运行，无云 API、无账号…
推荐理由想用开源多模态模型做本地隐私应用，可参考它的架构：Bun 服务器 + Ollama + Gemma，照片不出本地。
NASA 与 IBM Research 联合多所学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。模型基于地球观测模型 TerraMind 从零训练，使用自建数据集 SomBench——近 200 万个 tile bundle、11 种模态、两个空间尺度，含约 100 万张约 1 米/像素的窄角相机高分辨率图像和近 96.4 万张 100 米/像素的宽角相机多光谱图像。数据主要来自月球勘测轨道飞行器 17 年观测，并整合 GRAIL、Lunar Pr…
推荐理由月球科研数据首次有开源基础模型可用，少样本即可迁移到极地冰、陨石坑等任务
开发者发布开源工具 SCM（Screen Memories），在 macOS 上对任意文件夹内的照片和视频做本地 AI 搜索。视频按场景切分并嵌入，可定位到具体镜头和时间码；支持 OCR 文字搜索（Tesseract，含中英等 35 种语言）和 Whisper 语音台词精确检索，另可选本地 LLM 对话。全部推理在本机运行，不上传云端，默认 CLIP 模型权重约 435MB，首次下载后离线可用。通过 Homebrew cask 安装，要求 Apple Silicon、macOS 12+ 及 Bun。
推荐理由本地跑、不上传，视频能搜到具体镜头时间码，隐私敏感或素材多的用户可直接 brew 安装试用
德国 Aleph Alpha 于 2026 年 10 月 3 日发布开源权重模型 Kolibri，Apache 2.0 许可，权重已上 Hugging Face。总参数 78.1B，每 token 仅激活 3.46B（4.4%），支持德语和英语，原生上下文 262,144 token，测试可到 1,048,576。训练用约 24 万亿 token，其中德语超五分之一，在德国和芬兰的 768 块 NVIDIA B200 上从零训练，知识截止 2026 年 6 月 18 日。FP8 权重约 78 GB，支持 4 级推理…
推荐理由78B 总参只激活 3.46B，FP8 约 78 GB，德语场景可自托管，Apache 2.0 商用无限制
研究提出 Image-to-Code 方法：编码 Agent 接收单张照片后编写 Blender 程序，通过迭代写代码、运行、查看结果再修改来还原场景。团队同时发布 LEGO-Bench 基准，含 104 个室内外场景的 208 张图像、443 个资产，从有效性、几何精度、外观相似度三方面评分。测试的 6 种 GPT 配置几乎都能产出可用场景，但精度差异大：最好的 GPT-6 Astra 室内 53.4%、室外 39.6%，较弱配置约 15%。提高推理预算后 Astra 在办公室子集从 32.3% 升至 61.8%…
推荐理由了解当前 Agent 做 3D 重建的真实上限：最好模型室内仅 53.4%，且会自我破坏已有成果。
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具公司。两年前他参与了对这家濒临崩溃的图像生成初创公司的 8000 万美元救助，好友 Prem Akkaraju 出任 CEO。今年 8 月底，公司宣布获得 7600 万美元融资，投资方包括索尼、华纳和环球，三家同时授权其曲库用于训练。此后 Stability 发布了三款新音频模型和 AI 音乐编辑软件，可根据文本提示生成完整器乐音轨或片段。Parker 称即将推出的更新将支持用户哼唱旋律或用人声打…
推荐理由音乐人可关注：索尼、华纳、环球曲库已授权训练，文本生成器乐音轨工具已上线
Anthropic 官方账号发帖称，过去几周用户用 Claude 做出了不少有创意的作品，并列举了其中几个最喜欢的例子，第一个是用 Opus 5.5 搭建的一座可运转的水车。原帖仅给出这一条具体案例和一段视频链接，未披露更多项目细节、参与人数或功能更新信息。
推荐理由能看到 Opus 5.5 在实体装置类项目上的实际用法，附演示视频链接
Midjourney 发布 alpha.midjourney.com 更新日志。上周上线侧边栏风格预览、更大尺寸图片、文件夹默认参数三项功能。本周以 bug 修复和清理为主：提示词参数按文件夹保存、10 万张以上图片库打开历史图片不再崩溃、编辑保留原图宽高比、多个 sref 合并为单个风格 pill。官方称下周将推出协作类新工具，后续计划包括持久化编辑历史和更好的风格探索。
推荐理由用 Midjourney Alpha 的可以看：10 万张图库崩溃已修，编辑不再被 --ar 拉伸
一个 Show HN 项目让多个 AI 模型在模拟油画工作室中作画：模型自己写出每一笔，由笔刷、湿颜料和亚麻布的模拟执行。多数作品模仿 Caspar David Friedrich，仅凭文字研究，从未见过其画作。观察发现：两幅相隔六小时、互不相见的画作都选了波罗的海岸边、水边女子、鱼竿、巨石和船；第 16 轮两位冬季画家都命名为《雪中黄昏的支石墓》。54 幅有标题的画中 30 幅含 Evening、Dusk、Twilight 或 Sunset。MiMo v2.6 Pro 存在 bug：对话中超过五张图后会回答较早图…
推荐理由看 AI 在无视觉参考下的创作趋同与 Gemini 识破评测，含 MiMo 具体 bug 编号
Google 在 Gemini Live 中上线 Guided Vision，兼容的 Android 设备今日起可用。用户共享摄像头画面后，Gemini 可实时语音描述镜头中的内容，包括朗读小字、描述周围环境、识别和寻找物体、说明物体细节，并支持追问（如让 Gemini 读出刚找到物品的保质期）。该功能面向盲人、低视力人群及需要临时协助的用户，类似 Apple 在 iPhone 和 Vision Pro 上的 VoiceOver Live Recognition。除 Gemini 应用外，Guided Vision…
推荐理由无障碍场景可直接用：Android 9 以上装 Gemini 或 TalkBack 即可让 AI 读小字、认物体
Tavus 推出 Griffin，号称首个「Human Interaction Model」，能实时处理语音、表情、语气、手势和停顿，并同时接收与生成视频。在一项 Tavus 研究中，48% 的参与者在 1 分钟视频通话后认为 Griffin 是真人，此前系统最高仅 2%。在 Nvidia 一项衡量 AI 在音视频对话中拟人程度的独立测试中，Griffin 得 3.83 分，真人 3.92 分，此前最佳 AI 模型为 2.80 分。研究预览版 Griffin-Lite 已向部分测试者开放，更强版本将在「安全问题解决…
推荐理由48% 的人 1 分钟内分不清真假，做客服、陪练、在线教育的可以关注这个拟人度基准
Ideogram 于 10 月 1 日发布新模型 Ideogram 4.5，主打局部编辑时保持画面其余部分不变——换装后人物身形和背景保持原样。公司称 GPT-Image 2.5、Nano Banana 等模型多次编辑后仍会产生伪影，而 Ideogram 4.5 只改动用户指定区域。目标场景包括产品摄影、室内设计、照片修复和图中文字编辑，早期测试者确认多次编辑一致性强。模型提供四档质量，每张 0.8 至 22 美分，均为原生 2K 分辨率，现已在 Ideogram 平台和 API 上线，合作方包括 Picsart、…
推荐理由做电商图、修图工具的可按 0.8 美分/张起的价格接入 API，且官方预告将开源权重
索尼发布 Quick Spectral Super Resolution（QSSR），一项专为普通版 PS5 设计的 AI 超分辨率技术，源自与 AMD 合作的 Project Amethyst。由于普通版 PS5 没有专用机器学习硬件，QSSR 性能不及 PS5 Pro 上的 PSSR，预期输出接近 1440p 而非 4K。索尼首席图形研发工程师 Daniel Craig 称 QSSR 对已支持 PSSR 的游戏基本是「即插即用」，只需几天调优，将向所有 PlayStation 开发者开放。《漫威金刚狼》和《羊蹄…
推荐理由普通版 PS5 玩家可关注今日补丁，首批两款游戏已支持 QSSR 画质增强
RoseBerry Media 正将澳大利亚肥皂剧《Neighbours》的旧剧集重新剪辑成竖屏微短剧，上线短剧平台 Epis。该剧 1985 至 2025 年共播出 41 季，但首批只重剪 2000 年代末两条故事线，聚焦 Margot Robbie 当时饰演的角色。CEO Guy Hameiri 称使用了公司自研的 AI 制作流程，并认为高端竖屏剧会成为新的娱乐品类。微短剧起源于中国，2018 年前后在抖音、快手兴起，以低成本、竖屏、强反转著称，与 ReelShort、DramaBox 上的作品同类。
推荐理由看懂好莱坞为何把老剧重剪叫微短剧，以及 AI 剪辑流程在内容行业的实际用法
听力科技初创公司 Legato 周四宣布，其 AI 助听眼镜 Legato Frames 正式开售，起售价 999 美元，面向轻中度听力损失的成年人。眼镜将助听技术集成在镜腿中，采用 AI 系统区分人声与背景噪音，放大说话声、降低杂音，而非传统助听器的定向麦克风方案。双扬声器设计将声音导向佩戴者，耳外几英寸处声音降低 99%。所有处理在眼镜本地完成，无摄像头、不录音。含镜片重 34 克，续航 10-12 小时，提供三种款式，支持处方镜片和蓝牙音乐通话。公司 2024 年由前 Bose 高管创立，此前完成 1200 …
推荐理由999 美元买一副能当助听器用的眼镜，比传统助听器便宜且不显眼，做可穿戴音频的可以看它的降漏音方案。
以色列魏茨曼科学研究所的 Michal Irani 团队开发出一款 AI 工具，仅凭脑扫描就能重建人正在看的图像，也能反向根据图像预测脑活动。研究基于更高分辨率 fMRI 数据，每个体素约覆盖 1 立方毫米神经元。研究者希望该工具未来帮助闭锁综合征患者沟通或重建梦境内容。神经伦理学家 Judy Illes 称其"magnificent"，但加州大学圣塔芭芭拉分校神经科学家 Tommy Sprague 警告，类似方法可能被用来在未经同意的情况下提取人的内心想法。
推荐理由脑机接口与神经隐私的关键进展，做 AI 伦理和医疗应用的人该知道这条边界。
Spotify 创始人 Daniel Ek 创办的 Neko Health 已融资 7 亿美元，业务是围绕身体扫描的预防性医疗，目前进入美国市场。TechCrunch 播客 Equity 邀请投资方 Preface Ventures 创始人 Farooq Abbasi 讨论 Neko 与其他消费健康创业公司的差异，以及身体扫描要成为更广泛医疗体系一部分需要哪些条件。文中提到 Midjourney 也在做自己的身体扫描仪，Function Health 同样融了可观资金搭建预防性健康平台。原文为播客节目，未披露 Ne…
推荐理由看预防性医疗赛道为何被资本押注，Neko、Midjourney、Function Health 三家同赛道玩家一次看清
宝马 2027 款 3 系同时提供燃油和纯电版本，电动版 i3 50 xDrive 售价 61,500 美元，燃油版 M350 xDrive 售价 65,900 美元，电动版便宜 4,400 美元（约 6.7%）。两车动力、造型相近，但基于不同平台，i3 采用宝马最新底盘。燃油版满油续航约 450 英里，i3 满电续航 468 英里，快充 10 分钟可补能 208 英里。
推荐理由电动车首次在同款车型上比燃油版便宜，买车或关注电池成本的人可以拿这组价格当参照
三星更新 Galaxy Tab S12 系列，仅推出 Plus 和 Ultra 两款，无标准版。Tab S12 Plus 相比两年前的 Tab S10 Plus 有较大升级：12.6 英寸更亮屏幕、MediaTek Dimensity 9500 芯片、10600mAh 电池，起售价涨 200 美元至 1199 美元。Tab S12 Ultra 与上代 Tab S11 Ultra 变化不大，仅升级芯片和四声道空间音频，14.6 英寸屏幕、11600mAh 电池、5.1mm 厚度不变，售价涨至 1399 美元。两款均配…
推荐理由平板首发 Adobe Photoshop 并支持 AI 功能，Galaxy Store 独占六个月，做移动创作可留意。
NVIDIA 联合 MIT、牛津发布 Physis-Lang，把物理推理写入视频描述文本，同一套语言同时驱动数据筛选、训练和推理。在 2026 年 9 月 29 日的 Physics-IQ Verified 榜单上，Cosmos3-Super 以 48.2 ± 1.4 排名第一，Cosmos3-Nano 以 43.3 ± 1.5 第二。方法为每条描述增加 physics_reasoning 字段，并生成 physics_negative_prompt 作为推理时的负向条件。自进化循环中描述模型冻结，仅优化指令，由 …
推荐理由视频生成模型物理错误的新解法：用文本描述物理因果，检索补充数据平均涨 3.01 分
AMD 宣布收购李飞飞创办的世界模型初创公司 World Labs，交易金额 82 亿美元，预计年底前完成。原文未披露更多交易细节与收购后的整合安排。
推荐理由82 亿美元是今年 AI 领域最大收购之一，AMD 借此直接对标 Nvidia 的世界模型布局。
Stevie Bonifield is a news writer covering all things consumer tech. Stevie started out at Laptop Mag writing news and reviews on hardware, gaming, and AI.“The chance of human extinction is about a coin flip, in my view,…
推荐理由产品发布/更新类信息，来自 The Verge AI，建议按需查看原文。
AMD 宣布以约 82 亿美元全股票交易收购空间智能初创公司 World Labs，交易预计 2026 年底前完成，尚待监管批准。World Labs 创始人李飞飞将加入 AMD 领导团队，任执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报，负责前沿研究。World Labs 2024 年初成立于旧金山，约 70 名员工，专注世界模型——能从文本、图像、视频生成、重建和模拟三维环境的 AI 软件，9 月初发布了首个世界模型 Atlas。李飞飞称，扩展研究需要与硬件更紧密结合。AMD 希望借此深入理解 AI 工作负…
推荐理由82 亿美元全股票、李飞飞任首席科学家，世界模型赛道最大一笔收购，看 AI 硬件竞争格局必读
Simon Willison 发布实验性工具 Photo Scrubber，可在本地自动识别人脸并打码，同时清除照片元数据。起因是他拍摄了抗议者照片，不愿分享可识别陌生人面孔的图像。工具使用 Google 的 MediaPipe C++ 库，通过 @mediapipe/tasks-vision 编译为 WebAssembly，并采用 BlazeFace 人脸检测模型。全部处理在本地完成，照片无需上传服务器。
推荐理由拍路人、发照片前想自动打码又不想上传云端，这个纯本地 WASM 工具可以直接用。
前雅虎 CEO Marissa Mayer 发布个人 AI 助手 Dazzle，去年 12 月完成 800 万美元种子轮。与从邮件、日历等文本应用获取上下文的做法不同，Dazzle 只从手机相册提取信息，据称能推断用户的爱好、饮食和穿搭偏好、旅行经历及亲友情况。功能分两类：扫描近期照片完成即时任务（如从活动海报生成日历、发现车库门损坏后找维修工），以及挖掘相册历史给出度假、生日礼物等个性化建议。Mayer 上一家创业公司 Sunshine 的 AI 相册工具 Shine 因设计过时、用户稀少而关停。
推荐理由看一个反常识的产品思路：只用相册做上下文，实测有惊喜也有盲区
AMD 宣布以约 82 亿美元全股票交易收购 AI 研究实验室 World Labs，后者由李飞飞联合创办，2024 年成立，数月内估值达 10 亿美元，2025 年推出世界生成模型 Marble，可从提示词生成可交互 3D 世界。交易预计年底完成。李飞飞将出任 AMD 执行副总裁兼首席科学家，向 CEO 苏姿丰汇报，World Labs 团队继续专注 AI 模型研究。AMD 称此次收购将增强其围绕新兴模型和应用需求开发 AI 硬件、软件与系统的能力。此前英伟达本月宣布以近 130 亿美元收购 Hugging Fa…
推荐理由李飞飞转任 AMD 首席科学家，世界模型 Marble 团队被芯片厂商收编，看 AI 硬件与模型走向的必读。
Anthropic 官方账号转述用户 @LEJ_limited 的案例：他给 Sonnet 5.5 一张 60×46 像素的 emoji 图，要求生成一个可直接 3D 打印的模型，几小时后成品实物已摆在他桌上。原文未披露所用工具链、打印参数或模型文件细节，信息有限。
推荐理由看一个具体案例：像素图到可打印 3D 模型，几小时出实物，可判断多模态能力边界
Anthropic 官方账号发布 Claude Sonnet 5.5 的早期实验合集，展示用户 @_re_pete 用 Sonnet 5 与 Sonnet 5.5 分别制作的秋叶模拟器对比。原文为推文串，仅给出这一条对比案例，未披露模型参数、发布时间、价格或评测数据，信息有限。
推荐理由能提前看到 Sonnet 5.5 与上一代的生成效果对比，适合关注模型迭代节奏的人。
AMD 宣布以 82 亿美元收购 World Labs，后者专注理解物理世界的深度学习模型。创始人李飞飞将加入 AMD 任执行副总裁兼首席科学家。双方去年已建立推理优化与训练合作，李飞飞今年曾出席 AMD 的 CES 活动。World Labs 首款产品 Marble 用于制作娱乐体验和机器人训练仿真环境。交易预计年底前完成，需通过监管审批。此举被视为 AMD 在 AI 芯片生态上对标 Nvidia 的动作，Nvidia 已有 Cosmos 等世界模型。
推荐理由82 亿美元是今年 AI 领域最大收购之一，李飞飞进入 AMD 高层，做机器人、世界模型和芯片生态的人需要知道
飞利浦 Sonicare Next-Generation DiamondClean 9900 Prestige 智能牙刷已在欧洲和美国上市，2027 年将全球推广。新品售价 379.99 美元，比上一代 429.99 美元更便宜。牙刷配备触摸屏，可选 8 种清洁模式和 3 档强度，屏幕显示 12 分区口腔地图，通过颜色变化提示刷牙效果。底座有变色光环，结合第三代 AI 模型和 SenseIQ 技术，检测刷牙力度是否过大，并自动调整振动强度。
推荐理由想了解 AI 如何进入日常个护硬件，这款牙刷的 AI 力度检测和自动调节是具体案例。
Cartopolis 是一个开源的「真实世界社交地图」：用荷兰 BAG、3DBAG、AHN、PDOK 等公共登记数据重建可步行的 3D 城市，每栋建筑都有建造年份、用途、面积、文物登记等卡片信息，支持真实日照、天气、步行/骑行/驾车路径规划。用户以化身进入，支持按距离限定的本地聊天、邻近语音、端到端加密私聊，可放置和脚本化 3D 物体、用 IFC 模型替换建筑，并通过 HTTP API 导入导出内容。浏览器版需 WebGPU，另有 Linux/Windows 桌面版和 Android APK（arm64，Andro…
推荐理由想找开源 3D 世界或空间社交项目的人可以直接跑 cargo run，荷兰以外也能用 OSM 数据起步。
Google Research 的 MSEB（Massive Sound Embedding Benchmark）发布 0.1.0 版，教程演示如何基于其抽象基类编写两个不同编码器（一个测响度、一个测音色），在合成语料上跑分类、聚类、检索、分割四类评测器，并组装真实提交所需的 TaskMetadata。结果显示两个编码器在不同评测器下排名互换，用数字说明多任务基准的必要性。
推荐理由想给音频模型做评测的人可直接照抄代码，pip install mseb==0.1.0 就能跑通四类任务。
Sarvam AI 发布新一代语音识别模型 Saaras V4，覆盖全部 22 种印度法定语言及英语，并新增全球英语口音支持。模型为编码器-解码器架构，解码器是自研 3B 参数混合状态空间语言模型 Sarvam-3B。官方称在 22 种语言上均达 SOTA，噪声音频 LLM-WER 不到 Deepgram Nova-3 和 GPT-4o Transcribe 的一半，前 10 种印度语言语种识别错误率 2.9%。即日起可通过 API 调用（model="saaras:v4"），权重未公开，自托管文档仅覆盖 v3。支…
推荐理由做印度市场语音产品的可直接调 API，噪声场景错误率号称不到 GPT-4o Transcribe 一半
数字人初创公司 Synthesia 为 TechCrunch 记者制作了一个互动虚拟形象，训练素材包括多张照片和 2 分钟语音录音，能就指定文章回答问题。该形象由语音转文字、视频、语言和文字转语音模型组合驱动，底层用 Synthesia 自研视频与语音模型，客户也可选 Cartesia、ElevenLabs、Google 或 OpenAI 的方案。Synthesia 今年早些时候估值达 40 亿美元，去年 ARR 突破 1 亿美元，近期推出 Roleplay Sessions，让员工与互动 AI 形象练习销售话术并…
推荐理由看清数字人商用现状：40 亿美元估值、1 亿美元 ARR，技术栈可替换为 ElevenLabs 等