#多模态

用 Amazon Polly 做语音的朋友注意了，不用改一行代码就能换上新引擎，还多了 14 个新声音，印地语和芬兰语也正式上线。

官方一手AWS Machine Learning Blog@Suyin Wang原文

Microsoft 把带 Home、Code、Autopilot 三种模式的新版 Copilot 推给了更多网页和手机用户，语音模式疑似开始收费，可以留意下自己账号有没有更新。

TestingCatalog@testingcatalog原文

米哈游和清华北大把游戏操作模型开源了，能自己玩《我的世界》和《毁灭战士》，最小 0.8B 单卡就能跑，可以拿来折腾。

IBM 开源了个 2B 的语音模型 Granite Speech 5.0，Open ASR 榜单第二，英文 WER 只有 5.68%，商用免费拿去部署转录都行。

官方一手marktechpost@Asif Razzaq原文

讯飞把语音识别、翻译、情绪理解打包成了一个基座模型，输入法 16.0 就能中英混说，配套的录音环 2 小时录音 2 分钟转完。

华为给 FreeClip 2 出了三个拼色新版本，1299 元开售，耳机里塞了 NPU 芯片，能用小艺翻译和头动播报，单次续航 9 小时。

一款专给孩子设计的手机，装了 AI 但没 TikTok 没浏览器，目的是哄娃出门玩，思路挺有意思。

Genk4 个信源在谈原文

Krea 3 进了 Nous Portal，画个框就能局部改图，8 秒出 2k，质量还压过 Nano Banana Pro。

官方账号Nous Research@NousResearch2 个信源在谈原文

快手的 Kling 4.0 登陆 fal 了，复杂动作更稳、角色前后更一致，想玩视频生成的可以试试，API 稍后开放。

fal@fal原文

OpenBMB 的 MiniCPM-V 4.7 1B 已经能在普通 iPhone 上离线识别小票、传单和截图，做端侧 AI 的开发者可以看看这个实际案例。

OpenBMB@OpenBMB原文

斋月用 ChatGPT 定菜单、找卖货点子的人多了 85%，OpenAI 顺势加了个 PIN 锁，能隐藏敏感聊天记录，手机借人不怕被翻。

Liputan6 Tekno11 个信源在谈原文

Synaptics 把 Coral NPU 直接塞进了 MCU 里，还配高带宽定制 DRAM，400 GOPS 算力跑多模态模型，做边缘设备的可以看看。

一个 27B 的开源安全模型，能本地跑，看截图就能识别网络拓扑和反编译界面，做漏洞分析和代码审查的可以试试。

Gorden Sun@Gorden_Sun原文

图像增强工具 Magnific 的 CEO 要去阿里巴巴云的阿姆斯特丹大会讲多模态 AI 了，10 月 29 日，感兴趣可以报名去现场。

官方账号阿里云 Alibaba Cloud@alibaba_cloud原文

有人测 DSH 画 PS5 手柄 SVG，它居然自己跑去维基百科找参考图，还挺聪明但效果一般，看看它到底画成啥样。

Teortaxes@teortaxesTex原文

谷歌给车载 Gemini 加了个人智能，能读你的 Gmail 和日历，导航去机场时直接提醒航班延误，先在 Android Auto 上线。

Google 把 Gemini 接进车机了，能读你的 Gmail 和日历，开车时直接问航班状态，比原来只会导航的语音助手实用多了。

官方账号theverge@Emma Roth2 个信源在谈原文

Ethan Mollick 用他那个经典的「飞机上的水獭」测试题考 Opus 5.5，结果模型直接交了段视频，这波进展挺直观的。

Ethan Mollick@emollick11 个信源在谈原文

Meta 拿 AI 眼镜场景做了个新基准，GPT-5.3-Chat 有答案也才 38 分，问题出在自己挑时机说话上，方法部分挺有参考价值。

rohanpaul_ai@rohanpaul_ai原文

Coco Labs 出了个设计模型 Vyb，不是吐图片而是按图层给结构，文字能改、图形是矢量，还能直接导 Figma，比图像模型 76% 的分数高到 90.3%。

rohanpaul_ai@rohanpaul_ai2 个信源在谈原文

Google 把 Gemini 接进了 Gmail 和 Maps 等服务，开车时助手能直接帮你查日程、找地点，不用动手。

techcrunch@Kirsten Korosec原文

Salesforce 出了个直接听语音的模型 Launa-Omni，不像一般语音 AI 先转文字，语调情绪都能留住。

官方账号Salesforce AI Research@SFResearch原文

Lightroom 手机版能一键把闭眼照修成睁眼，用生成式 AI 生成还自动参考相册里你的其他照片，比 Photoshop Elements 的老办法自然多了。

Adobe 给 Lightroom 手机版加了 AI 睁眼，拍到闭眼合照点一下就能修，安卓和 iOS 都能用，修图党可以试试。

官方账号theverge@Andrew Liszewski原文

OpenBMB 把 35B 多模态模型塞进 iPhone，每秒 20+ token，比基线快 6 倍，代码开源可以直接上手玩。

OpenBMB@OpenBMB原文

小米把开源第一的 MiMo-V2.6-Pro 接进了 WorkBuddy，1M 上下文加全模态，价格还只有海外模型的零头。

Yelp 上线了代打电话功能，AI 会直接致电餐厅帮你问等位时间，还能记住你的口味做推荐，出去吃饭方便不少。

techcrunch@Ivan Mehta原文

印尼出行巨头 GoTo 自己训了个 27B 模型，居然能听懂 Batak 语，对东南亚本地化 AI 有参考价值。

e27@Sainul原文