讯飞星火，90后上前线
一场组织重构 1990年，一位17岁的理科生下了一个重要决定。 他放弃保送清华大学汽车工程专业的机会，选择中国科学技术大学专攻语音合成技术，9年后，他和十几位科大学子创办的“车库....
AI NEWS JOURNAL
全部 AI 动态
保留完整资讯流，用来源、主题和时间找到你关心的消息。
阿波罗首席经济学家称AI对科技业外美国企业“零财务回报”
阿波罗全球管理公司首席经济学家托尔斯滕·斯洛克分析S&P 493（标普500剔除7家科技巨头）发现，非科技企业利润边际与人均营收持平，无证据显示AI提升生产力；其指出AI缺乏对问责、信任、文化等商业关键要素的理解，因而尚未带来财务收益。
推荐理由：该观点基于对主流上市公司群体（S&P 493）的实证观察，引用明确数据范围与限制条件（排除Alphabet、Amazon等7家科技公司），并呼应近期多项研究结论，具备可验证的分析框架与清晰的归因边界。
Canva发布自研AI图像生成模型Canva Craft，采用两阶段设计规划架构
Canva推出首个自研AI图像生成模型Canva Craft，通过先规划后生成的两阶段架构，提升设计精度、一致性和可控性；支持2K分辨率与30余种画幅，面向社交媒体、营销内容及数字艺术等场景。
Canva发布首款自研图像生成模型Canva Craft，面向全用户开放
Canva正式推出其首个自研图像生成模型Canva Craft，采用两阶段生成架构，支持2K分辨率、30种比例输出，并强调文本可读性与图层可编辑性；模型基于平台内数百万人类设计模板训练，已集成至Dream Lab及API，未来将通过MCP接入ChatGPT、Gemini等第三方聊天机器人。
Amazon SageMaker上线Kokoro-82M TTS模型，支持AI语音代理低延迟流式语音合成
AWS发布技术方案，利用SageMaker托管的Kokoro-82M文本转语音模型，通过双向WebSocket实现AI代理边生成文本边合成语音，显著降低端到端语音响应延迟；方案提供Base64-SSE与统一二进制传输两种音频回传方式，并明确标注为‘价值验证型’（proof-of-value），尚未进入生产就绪状态。
Amazon SageMaker TTS服务实现测量驱动的自动扩缩容：以Kokoro-82M模型为例
AWS博客介绍了一种针对文本转语音（TTS）模型在SageMaker实时端点上部署时的实证型自动扩缩容方法，摒弃经验猜测，基于两个实测指标Q_max（单实例最大可持续并发请求数）和T_total（计划扩缩容耗时）构建可复现、可验证的扩缩策略。
IBM发布Granite Speech 5.0系列语音模型：支持多语种转录翻译与说话人归因
IBM推出Granite Speech 5.0系列三个开源语音模型——granite-speech-5.0-2b（高精度多语种ASR/MT）、granite-speech-5.0-470m-turboctc（超快边缘端多语种转录）和更新版granite-speech-4.1-2b-plus（增强型多说话人会话建模），全部基于Apache 2.0许可，支持主流推理框架。
Mistral发布Voxtral 3语音智能体SDK：支持50+语言实时语音交互与情感化TTS
Mistral于2026年10月26日前推出Voxtral 3——一套面向多语言实时语音交互的端到端SDK及模型家族，涵盖ASR（含说话人分离）、推理层与TTS三大模块，强调数据主权与模块化部署，但所有性能宣称均基于厂商自测，无独立第三方验证。
YouTube Music上线生成式AI音乐标签：标注“AI创作”而非禁止
YouTube Music自2026年10月起在全球范围内逐步推出生成式AI音乐内容标识标签，延续YouTube主站对AI生成视频的标注实践；该举措不构成内容下架或限制，而是响应用户对创作来源透明度的需求。
Welcome FLUX.3 Image Klein in Diffusers
Welcome FLUX.3 Image Klein in Diffusers
译文排队中，当前为原文 · enHow Diffusion Controller unifies and simplifies AI image generation
Algorithms & Theory
译文排队中，当前为原文 · enAutomating coherent long-form video generation
Generative AI
译文排队中，当前为原文 · enGemini 3.8 text-to-speech says hello
Gemini 3.8 text-to-speech says hello
译文排队中，当前为原文 · en使用 NVIDIA Magpie TTS 构建低密度多语种语音代理: 开放重量和全部署控制
使用 NVIDIA Magpie TTS 构建低密度多语种语音代理: 开放重量和全部署控制
将 Nunchaku 4 位扩散引申给 Diff用户
将 Nunchaku 4 位扩散引申给 Diff用户
Towards demystifying the creativity of diffusion models
Algorithms & Theory
译文排队中，当前为原文 · enGemini 3.1 Flash TTS: the next generation of expressive AI speech
Our newest audio model introduces granular audio tags that give you precise control to direct AI speech for expressive audio generation.
译文排队中，当前为原文 · enNano Banana 2：将专业级功能与闪电般的速度相结合
我们最新的图像生成模型具备先进的世界知识、生产就绪的规格、主题一致性等诸多优势，且全部以闪电般的速度运行。
Veo 3.1 视频制作要素：更一致、更富创意、更可控
我们最新的Veo更新能够生成生动、动态的视频片段，既自然又引人入胜，并且支持竖屏视频的生成。
使用 Nano Banana Pro 构建，我们的 Gemini 3 Pro 图像模型
使用 Nano Banana Pro 构建，我们的 Gemini 3 Pro 图像模型