6月4日 AI资讯汇总
😺
6月4日 AI资讯汇总 😺 6月4日 AI资讯汇总 Modified June 5, 2025 No access 【AI图片】可图2.0 多图参考上线 250604 00:00 No access 【AI语音】Fish Audio 发布最新的语音生成模型：S1 ，表现力与自然度提升250604 00:00 🤖️AI 视频 Manus AI：拓展能力边界，支持视频生成模式 通用型AI智能代理Manus AI在功能上迎来了新的拓展，Manus AI现已开始支持视频生成模式。 只需一个提示，Manus 就能规划每个场景、制作视觉效果 Manus AI此前已展现出在任务规划、多工具协同（如图像生成）等方面的能力。新增视频生成模式意味着Manus AI的多模态处理能力从文本、图像进一步延伸至动态视频领域。 基础会员、Plus 会员和专业会员均可抢先体验。即将面向所有人推出。 官方视频： No access 【AI视频】Manus AI支持视频生成模式 250604 00:00 🌟信息地址： https://manus.im/app 🤖️AI应用 OpenAI :发布四项重大更新,提升了构建 AI 代理能力，更新即将向免费用户推出轻量级的记忆改进功能，Codex今天开始向 Plus 提供服务 OpenAI近期宣布重要更新，旨在全面提升其AI模型的应用能力和开发者体验。 使用 OpenAI 构建代理的四项更新：TypeScript 中的 Agents SDK、用于语音代理的新 RealtimeAgent 功能、对 Realtime API 的 Traces 支持以及语音转语音模型的改进。 此前主要面向付费用户的记忆（Memory）功能，其轻量级版本即将向免费用户推出。这意味着免费版ChatGPT也能在一定程度上记住用户在对话中的偏好和上下文信息，从而提供更连贯和个性化的交互体验。 OpenAI旗下的强大编程辅助工具Codex于今日起，正式向ChatGPT Plus订阅用户提供服务。此前，Codex的功能可能仅限于特定用户群体或集成在特定产品中。此次扩展开放意味着更广泛的开发者和编程爱好者可以利用Codex进行代码生成、代码解释、调试辅助等多种编程任务。还进行了一些功能升级，例如新增联网能力，使其能够访问最新的编程文档和资源，进一步提升其实用性和准确性。 Gemini 2.5 ：更新在音频对话和生成方面的新功能 根据Google DeepMind官方博客透露的信息，谷歌Gemini 2.5在音频处理能力方面取得了显著进展。新版本特别强调了其原生音频（native audio）对话和生成功能。这意味着Gemini 2.5不仅能够更深入地理解口语对话的细微差别（如语气、情感），还能以更自然、更富表现力的方式生成语音反馈和音频内容。 No access 【AI声音】Gemini 2.5 实时音频对话 250604 00:00 实时音频对话可实现： • 自然对话：语音交互质量卓越，表现力和韵律（节奏模式）更合适，延迟极低， • 风格控制：使用自然语言提示，可以调整对话中的传递方式，引导其采用特定的口音，产生一系列的语调和表情，甚至是耳语。 • 工具集成： Gemini 2.5 可以在对话过程中使用工具和函数调用。这使得它能够整合来自 Google 搜索等来源的实时信息，或使用开发者定制的工具，从而让对话更加实用。 • 对话情境感知（主动音频）：能够识别并忽略背景语音、周围对话和其他不相关的音频，并在适当的时候做出响应。基本上，它知道什么时候不该说话。 • 音频视频理解：借助流音频和视频的原生支持，Gemini 2.5 可以交流它在视频源或屏幕共享中看到的内容。 • 多语言性：甚至可以在同一个短语中轻松混合使用多种语言。 • 情感对话： Gemini 2.5 可以响应用户的语调，认识到用不同的方式说出相同的单词可能会导致截然不同的对话。 • 高级思维对话： Gemini 的推理能力可以增强其对话能力，从而提升所有功能的整体性能。这将带来更连贯、更智能的交互，尤其是在执行复杂的推理任务时。 可控的文本转语音（TTS） • 动态表演：模型可适应无论是诗歌、新闻广播等场景，都能进行富有表现力的朗读。 • 增强节奏和发音控制：控制传输速度并确保发音更加准确，包括特定单词的发音。 • 多说话人对话生成 这种原生级别的音频处理能力，预示着AI在语音助手、实时翻译、有声内容创作以及多模态应用中的交互体验将得到大幅提升。 🌟地址： https://blog.google/technology/google deepmind/gemini 2 5 native audio/ Edge AI Gallery：谷歌官方开源应用，赋能端侧AI体验 谷歌低调发布一款名为"Google AI Edge Gallery"的官方应用程序，以在手机上本地运行 AI 模型。该应用已在GitHub上开源（采用Apache 2.0许可证）。 由 Gemma 3n 提供支持，其核心功能是允许用户在其智能手机上本地运行AI模型，并且支持离线使用。用户可以通过该应用查找、下载并运行一系列来自Hugging Face等平台的公开可用AI模型，执行包括图像生成、文本问答、代码编写与编辑等多种任务。 目前该应用已支持安卓设备，iOS版本也即将推出。 🌟地址： https://github.com/google ai edge/gallery Anthropic 宣布将在5天内切断 Windsurf 的所有Claude 3 API访问权限（3.5 sonnet, 3.7 Sonnet 3.7 Sonnet Thinking） No access 【AI图片】可图2.0 多图参考上线 250604 00:00 No access 【AI图片】可图2.0 多图参考上线 250604 00:00 No access 【AI语音】Fish Audio 发布最新的语音生成模型：S1 ，表现力与自然度提升250604 00:00 No access 【AI语音】Fish Audio 发布最新的语音生成模型：S1 ，表现力与自然度提升250604 00:00 🤖️AI 视频 Manus AI：拓展能力边界，支持视频生成模式 通用型AI智能代理Manus AI在功能上迎来了新的拓展，Manus AI现已开始支持视频生成模式。 只需一个提示，Manus 就能规划每个场景、制作视觉效果 Manus AI此前已展现出在任务规划、多工具协同（如图像生成）等方面的能力。新增视频生成模式意味着Manus AI的多模态处理能力从文本、图像进一步延伸至动态视频领域。 基础会员、Plus 会员和专业会员均可抢先体验。即将面向所有人推出。 官方视频： No access 【AI视频】Manus AI支持视频生成模式 250604 00:00 No access 【AI视频】Manus AI支持视频生成模式 250604 00:00 🌟信息地址： https://manus.im/app 🤖️AI应用 OpenAI :发布四项重大更新,提升了构建 AI 代理能力，更新即将向免费用户推出轻量级的记忆改进功能，Codex今天开始向 Plus 提供服务 OpenAI近期宣布重要更新，旨在全面提升其AI模型的应用能力和开发者体验。 使用 OpenAI 构建代理的四项更新：TypeScript 中的 Agents SDK、用于语音代理的新 RealtimeAgent 功能、对 Realtime API 的 Traces 支持以及语音转语音模型的改进。 此前主要面向付费用户的记忆（Memory）功能，其轻量级版本即将向免费用户推出。这意味着免费版ChatGPT也能在一定程度上记住用户在对话中的偏好和上下文信息，从而提供更连贯和个性化的交互体验。 OpenAI旗下的强大编程辅助工具Codex于今日起，正式向ChatGPT Plus订阅用户提供服务。此前，Codex的功能可能仅限于特定用户群体或集成在特定产品中。此次扩展开放意味着更广泛的开发者和编程爱好者可以利用Codex进行代码生成、代码解释、调试辅助等多种编程任务。还进行了一些功能升级，例如新增联网能力，使其能够访问最新的编程文档和资源，进一步提升其实用性和准确性。 Gemini 2.5 ：更新在音频对话和生成方面的新功能 根据Google DeepMind官方博客透露的信息，谷歌Gemini 2.5在音频处理能力方面取得了显著进展。新版本特别强调了其原生音频（native audio）对话和生成功能。这意味着Gemini 2.5不仅能够更深入地理解口语对话的细微差别（如语气、情感），还能以更自然、更富表现力的方式生成语音反馈和音频内容。 No access 【AI声音】Gemini 2.5 实时音频对话 250604 00:00 No access 【AI声音】Gemini 2.5 实时音频对话 250604 00:00 实时音频对话可实现： • 自然对话：语音交互质量卓越，表现力和韵律（节奏模式）更合适，延迟极低， • 风格控制：使用自然语言提示，可以调整对话中的传递方式，引导其采用特定的口音，产生一系列的语调和表情，甚至是耳语。 • 工具集成： Gemini 2.5 可以在对话过程中使用工具和函数调用。这使得它能够整合来自 Google 搜索等来源的实时信息，或使用开发者定制的工具，从而让对话更加实用。 • 对话情境感知（主动音频）：能够识别并忽略背景语音、周围对话和其他不相关的音频，并在适当的时候做出响应。基本上，它知道什么时候不该说话。 • 音频视频理解：借助流音频和视频的原生支持，Gemini 2.5 可以交流它在视频源或屏幕共享中看到的内容。 • 多语言性：甚至可以在同一个短语中轻松混合使用多种语言。 • 情感对话： Gemini 2.5 可以响应用户的语调，认识到用不同的方式说出相同的单词可能会导致截然不同的对话。 • 高级思维对话： Gemini 的推理能力可以增强其对话能力，从而提升所有功能的整体性能。这将带来更连贯、更智能的交互，尤其是在执行复杂的推理任务时。 可控的文本转语音（TTS） • 动态表演：模型可适应无论是诗歌、新闻广播等场景，都能进行富有表现力的朗读。 • 增强节奏和发音控制：控制传输速度并确保发音更加准确，包括特定单词的发音。 • 多说话人对话生成 这种原生级别的音频处理能力，预示着AI在语音助手、实时翻译、有声内容创作以及多模态应用中的交互体验将得到大幅提升。 🌟地址： https://blog.google/technology/google deepmind/gemini 2 5 native audio/ Edge AI Gallery：谷歌官方开源应用，赋能端侧AI体验 谷歌低调发布一款名为"Google AI Edge Gallery"的官方应用程序，以在手机上本地运行 AI 模型。该应用已在GitHub上开源（采用Apache 2.0许可证）。 由 Gemma 3n 提供支持，其核心功能是允许用户在其智能手机上本地运行AI模型，并且支持离线使用。用户可以通过该应用查找、下载并运行一系列来自Hugging Face等平台的公开可用AI模型，执行包括图像生成、文本问答、代码编写与编辑等多种任务。 目前该应用已支持安卓设备，iOS版本也即将推出。 🌟地址： https://github.com/google ai edge/gallery Anthropic 宣布将在5天内切断 Windsurf 的所有Claude 3 API访问权限（3.5 sonnet, 3.7 Sonnet 3.7 Sonnet Thinking） 🌟 06月04日 AI资讯 【AI 绘画】 • 可图2.0 : AI图像生成的多图参考能力更新 【AI 音频】 • Suno :更新升级版歌曲编辑器/词干提取/扩展上传等内容，增强创作灵活度 • Fish Audio：发布最新的语音生成模型S1 ，表现力与自然度提升 【AI 视频】 • Manus AI：拓展能力边界，支持视频生成模式 【AI 应用/模型】 • OpenAI :发布四项重大更新,提升了构建 AI 代理能力，更新即将向免费用户推出轻量级的记忆改进功能，Codex今天开始向 Plus 提供服务 • Gemini 2.5 ：在音频对话和生成方面的新功能 • Edge AI Gallery：谷歌官方开源应用，赋能端侧AI体验 06月04日 AI资讯 【AI 绘画】 • 可图2.0 : AI图像生成的多图参考能力更新 【AI 音频】 • Suno :更新升级版歌曲编辑器/词干提取/扩展上传等内容，增强创作灵活度 • Fish Audio：发布最新的语音生成模型S1 ，表现力与自然度提升 【AI 视频】 • Manus AI：拓展能力边界，支持视频生成模式 【AI 应用/模型】 • OpenAI :发布四项重大更新,提升了构建 AI 代理能力，更新即将向免费用户推出轻量级的记忆改进功能，Codex今天开始向 Plus 提供服务 • Gemini 2.5 ：在音频对话和生成方面的新功能 • Edge AI Gallery：谷歌官方开源应用，赋能端侧AI体验 🤖️AI图像 可灵：可图2.0 多图参考更新 可灵上线可图2.0 多图参考更新，支持用户上传多张参考图（至少2张参考图），融合多种特征及元素(主体、风格、场景)，并可通过文本描述指定画面内容，一键生成创意图片! ✨ 主体:单次生成最多可上传4张 场景:单次生成最多可上传1张 风格:单次生成最多可上传1张 主体:单次生成最多可上传4张 场景:单次生成最多可上传1张 风格:单次生成最多可上传1张 官方宣传视频 小编测试效果： 角色+物体+场景： 角色+风格： 跨次元合影： 现实插画风格： 🌟地址： https://app.klingai.com/ 🤖️AI音频 Suno :更新升级版歌曲编辑器，分轨提取，扩展上传时长等功能 AI音乐创作工具Suno对其歌曲编辑器进行了重要更新，旨在为用户提供更强大的音乐制作能力。 更新内容： • 升级版歌曲编辑器：直接从波形图逐段重新排序、重写和重新制作曲目。（替换歌词、重新编排乐段、重新混音。） • 分轨提取：将曲目拆分为 12 个元素轨道。人声、鼓声、贝斯等等，随时可供预览和下载。 • 扩展上传：上传完整歌曲 （最长 8 分钟） • 创意滑块：通过三个新的控制按钮，包括怪异、结构化或风格参考度 🌟地址： https://suno.com/blog/songeditor Fish Audio：发布最新的语音生成模型S1 ，表现力与自然度提升 Fish Audio发布了其最新一代语音生成模型——OpenAudio S1。目前支持英语、日语、韩语、中文、法语、德语、阿拉伯语和西班牙语。 • OpenAudio S1 (40亿参数)：我们功能齐全的旗舰模型，可在 fish.audio 上使用，提供最高质量的语音合成和所有高级功能。 fish.audio • OpenAudio S1 mini (5亿参数)：具有核心功能的蒸馏版本，可在 Hugging Face Space 上使用，针对更快推理进行优化，同时保持出色的质量。 Hugging Face Space S1模型的关键亮点包括： • 高度自然流畅的音质，几乎与真人录音无异； • 丰富的情感和语调控制，支持超过50种情感和语气标记（如生气、高兴、耳语、同情等），用户可通过自然语言指令灵活调整； • 通过简单文本命令控制语速、音量、停顿乃至笑声。 官方视频： 🌟地址： https://speech.fish.audio/zh/ https://speech.fish.audio/zh/