开源语音方案对比：Fun-CosyVoice3 vs 常见 TTS、Fun-ASR-Nano vs 主流 ASR
一、摘要 阿里通义语音团队（FunAudioLLM）开源两类音频模型：面向语音合成的 Fun-CosyVoice3-0.5B-2512（TTS），以及面向语音识别的 Fun-ASR-Nano-2512（ASR）。前者强调多语种、零样本声音克隆与低延迟流式合成；后者强调 31 语种识别、方言口音覆盖与...
Admin •
514
GLM-TTS 全面开源：3 秒音色克隆与情绪可控的工业级语音合成
一、摘要 GLM-TTS 是面向工业级语音生成的开源 TTS 系统，支持仅 3 秒语音样本的音色克隆，并提供可控的情绪表达能力。其架构采用两阶段生成流程，并引入基于 GRPO 的强化学习机制，在字符错误率（CER）与情感维度达到开源领先水平。项目强调低训练成本与高可扩展性，适用于教育、电子书、有声内...
Admin •
153
智谱AI开源 Open-AutoGLM 与 AutoGLM-Phone-9B：手机智能体新起点
一、摘要 Open-AutoGLM 是智谱AI开源的手机智能体（Agent）框架，核心模型为 AutoGLM-Phone-9B。它通过理解手机屏幕内容并模拟真实用户操作，实现“看得懂界面、听得懂指令、点得动手机”。框架主要面向 Android 场景，适合构建手机助手、自动化运营、测试等多种应用。 二...
Admin •
462
LongCat-Image 开源解析：6B DiT 做到 20B+ MoE 水平的中英双语图生图模型
一、摘要 LongCat-Image 是美团 LongCat 团队开源的中英双语图像生成与编辑模型，参数约 6B，采用混合 DiT 架构，在多项公开基准上可比肩甚至超过部分 20B 级别开源模型。项目重点提升多语言文本渲染、图像一致性和写实效果，并兼顾推理速度与显存占用，适合研究与业务落地。 二、核...
Admin •
225
Mistral 3 开源模型家族：多模态、多语言与本地部署的新选择
一、摘要 Mistral 3 是 Mistral AI 推出的新一代开源模型家族，包含稀疏专家架构的 Mistral Large 3，以及面向本地与边缘场景的 Ministral 3 系列（3B/8B/14B）。所有权重以 Apache 2.0 许可开放，支持多模态（文本+图像）与多语言，覆盖从个人...
Admin •
182
DeepSeek-V3.2 发布：稀疏注意力带来的高效推理与通用 Agent 能力
一、摘要 DeepSeek-V3.2 是在 V3.2-Exp 基础上正式发布的版本，重点优化了推理效率与输出长度，并沿用 DSA 稀疏注意力机制以提升长上下文性能。DeepSeek-V3.2-Speciale 聚焦极限数学推理、编程竞赛与严谨逻辑验证，在多个国际竞赛评测中表现突出。当前网页端、APP...
Admin •
174