AI文章
AI文章
整理 AI 项目、模型、工具和行业动态，给出更容易读懂的背景与使用参考。
内容精选
最新 AI 文章
Live Interpreter API – 微软推出的实时多语言翻译服务
Live Interpreter API 是 Azure 语音翻译的新功能，能实现实时的多语言语音翻译。无需用户手动设置输入语言， Live Interpreter API 能自动连续识别正在使用的语言，能用自然的声音进行低延迟的语音到语音翻译，同时保留说话者的风格和语调。
阅读全文PP-OCRv5 – 百度推出的文字识别模型
PP-OCRv5 是百度推出的高效、精准的文字识别模型。模型基于两阶段处理流程，专门用在快速、准确地检测和识别图像中的文字。
阅读全文Stable Audio 2.5 – Stability AI推出的音频生成模型
Stable Audio 2.5 是 Stability AI 推出的最新音频生成模型，专为企业级声音制作设计。模型具备快速生成（三分钟音频仅需两秒）、动态音乐创作和音频修复功能。
阅读全文veCLI – 字节火山引擎推出的命令行AI工具
veCLI 是字节跳动火山引擎推出的命令行 AI 工具，提升开发效率。无缝集成豆包大模型 1.6 等多种模型，开发者可通过自然语言交互，快速生成代码并完成本地部署，无需记忆复杂命令。veCLI 支持密钥鉴权，保障安全，能灵活切换模型。
阅读全文ZipVoice – 小米推出的零样本语音合成模型
ZipVoice 是小米集团 AI 实验室发布的高效零样本语音合成（TTS）模型。模型基于 Flow Matching 架构，包含 ZipVoice（单说话人）和 ZipVoice-Dialog（对话语音）两个版本。
阅读全文Anthropic发布《为智能体编写工具》官方教程
Anthropic《为智能体编写工具》主要探讨如何为智能体编写有效的工具（tools）。文章指出，工具是连接确定性系统（如API）和非确定性AI代理的桥梁。
阅读全文《AI Agents图解指南》全景技术报告（PDF文件）
《AI Agents图解指南》是Avi Chawla和Akshay Pachaar编写的，能帮助读者理解和构建AI Agents。书中详细介绍AI Agents的定义、与LLM和RAG的区别，及构建AI Agents的六个基本要素（角色扮演、专注任务、工具使用、合作、护栏和记忆）。
阅读全文浙江大学《大模型基础》大模型基础教材（PDF文件）
《大模型基础》全面介绍大语言模型（LLMs）的基础知识、架构设计、训练优化及应用实践。从语言模型的基础理论出发，深入探讨基于统计、RNN和Transformer的模型架构，重点分析大语言模型的架构类型（如Encoder-only、Encoder-Decoder、Decoder-only）及其代表模型（如BERT、T5、GPT系列）。
阅读全文百度学术 – 百度推出的AI学术搜索引擎
百度学术是百度推出的AI学术搜索引擎，为科研人员和学生提供了从文献检索到论文创作的一站式服务。平台拥有海量的文献资源，覆盖广泛的学科领域，能满足不同用户的需求。百度学术基于AI技术进行了全面升级，新增了AI学术搜索、AI文献总结、AI阅读、论文图谱等功能，极大地提高了科研效率。
阅读全文Oboe – AI个性化学习平台，生成量身定制课程
Oboe 是 Spotify 前高管创立的 AI 驱动的个性化学习平台。用户只需输入一个关键词或主题，Oboe 能在几秒钟内生成一门量身定制的课程，涵盖科学、历史、外语、时事等广泛主题。课程以多模态形式呈现，包括文字、音频、互动测试等，满足不同学习偏好。
阅读全文MobileLLM-R1 – Meta推出的专项高效推理模型系列
MobileLLM-R1是Meta推出的一系列专为数学、编程和科学推理设计的高效推理模型。系列包含基础模型和最终模型，分别有1.4亿、3.6亿和9.5亿参数版本。模型并非通用聊天模型，是经过监督微调（SFT）的专项模型，专注于特定任务的高效推理。
阅读全文AgentCLUE-ICabin – 汽车智能座舱的AI Agent评测基准
AgentCLUE-ICabin 是专注于汽车智能座舱场景的 AI 智能体测评基准，全面评估大语言模型在智能座舱中的工具调用能力。基准基于12大常见用车场景构建，覆盖从日常通勤到长途自驾等多种出行需求，充分贴合国内用户的实际交互场景。
阅读全文IndexTTS2 – B站开源的最新文本转语音模型
IndexTTS2是B站语音团队开发的新型文本转语音（TTS）模型，已经正式开源。模型在情感表达和时长控制方面实现了重大突破，是首个支持精确时长控制的自回归TTS模型。支持零样本声音克隆，仅需一个音频文件即可精准复制音色、节奏和说话风格，支持多语言。
阅读全文HuMo – 清华联合字节推出的多模态视频生成框架
HuMo是清华大学和字节跳动智能创作实验室共同提出的多模态视频生成框架，专注于人类中心的视频生成。能从文本、图像和音频等多种模态输入中生成高质量、精细且可控的人类视频。HuMo支持强大的文本提示跟随能力、一致的主体保留以及音频驱动的动作同步。
阅读全文小美 – 美团推出的首款AI生活Agent
小美是美团正式发布的首款AI生活Agent。定位为“小而美的AI生活小秘书”，通过自然语言交互为用户提供便捷的生活服务。小美能快速响应用户指令，完成外卖点单、餐厅推荐、订座导航等操作。例如，用户只需说“给我点一份和府捞面的鸡丝凉面”，小美能迅速完成点单并支付。
阅读全文Song.do – AI音乐创作平台，一键生成完整歌曲
Song.do 是强大的 AI 音乐创作平台，通过简单易用的工具，帮助用户将文本转化为完整的歌曲。用户输入歌词、主题或情绪描述，选择音乐风格， AI 能快速生成旋律、伴奏和人声。
阅读全文FireRedTTS-2 – 小红书推出的流式文本转语音系统
FireRedTTS-2 是先进的长格式流式文本转语音（TTS）系统，专注于多说话人对话生成。采用12.5Hz流式语音分词器和双Transformer架构，能实现低延迟、高保真、多语言的语音合成。支持英语、中文、日语、韩语、法语、德语和俄语等多种语言，具备零样本跨语言及语码转换语音克隆能力。
阅读全文纳米P视频 – 纳米AI推出的一句话P视频智能体
这几天 Nano Banana 把P图玩出花了，没想到纳米AI更牛，直接就能P视频。一句话，换主角、换商品、改场景、改音效、对口型，纳米P视频智能体和AI视频编辑器无缝链接，不再需要繁琐的软件切换就能实现高质量视频的一站式生成，效率拉满！
阅读全文