PE-AV（Perception Encoder Audiovisual）开源解读：驱动 SAM Audio 的音频分离引擎
一、摘要 PE-AV（Perception Encoder Audiovisual）是 Meta 开源的音频-视觉联合编码器家族，在 Perception Encoder 基础上加入原生音频能力，用统一嵌入空间对齐视频、音频、音视频与文本表征。它被用于支撑 SAM Audio 的关键组件，并在多项音...
Admin •
114
HY World 1.5（WorldPlay）开源发布：实时流式视频扩散的交互式世界模型
一、摘要 HY World 1.5（WorldPlay）是腾讯混元团队开源的实时世界模型框架，核心是一个支持流式生成的视频扩散模型。该系统可根据文本或图像输入，实时生成并更新可交互的 3D 世界，支持用户以第一人称或第三人称视角自由行走、观察和操作。其目标是解决当前世界模型在生成速度、长期一致性与上...
Admin •
289
MiMo-V2-Flash 开源解读：309B MoE、15B 激活参数与 256K 长上下文
一、摘要 MiMo-V2-Flash 是小米 MiMo 团队开源的混合专家（MoE）大语言模型，总参数约 309B、推理时激活参数约 15B，主打在较低推理成本下兼顾推理、编程与智能体（Agent）工作流。它强调长上下文能力（最高 256K）与推理效率之间的平衡，并提供可复现的技术报告、权重与推理部...
Admin •
396
LongCat-Video-Avatar 开源解读：音频驱动的长视频虚拟人生成如何做到更稳更真
一、摘要 LongCat-Video-Avatar 是基于 LongCat-Video 架构打造的音频驱动 Avatar（虚拟人）视频生成模型，面向“长时序、强一致性、写实动态”场景。它将音频与文本（可选参考图）作为条件，原生支持 Audio-Text-to-Video（AT2V）、Audio-Te...
Admin •
286
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 •
680
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 •
215
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 •
586
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 •
289