Rohan Paul (@rohanpaul_ai)T2·基座大模型
88 分
Google DeepMind 推出首个具备原生音频能力的实时世界模型 Genie 4,可生成环境音、音乐及角色对话。该模型允许用户通过文本指令实时修改模拟场景(如天气、镜头),并由 Gemini 3.8 Flash 作为“循环导演”协调目标分解与帧检查,已在 Apptronik 人形机器人仿真中验证。目前仅向受信任测试者开放。
Real-time Inference
模型在毫秒级延迟内完成输入处理并生成输出的能力
Google DeepMind 推出首个具备原生音频能力的实时世界模型 Genie 4,可生成环境音、音乐及角色对话。该模型允许用户通过文本指令实时修改模拟场景(如天气、镜头),并由 Gemini 3.8 Flash 作为“循环导演”协调目标分解与帧检查,已在 Apptronik 人形机器人仿真中验证。目前仅向受信任测试者开放。
iRTE2026 大会聚焦 AI 实时语音交互,指出行业正从单轮问答转向全双工持续交流。声网作为基础设施提供商,展示了其支持 OpenAI 和 Gemini 等模型的底层能力,旨在通过复用网络与交互组件降低开发门槛。该事件主要反映产业趋势与厂商营销,缺乏具体的技术突破或参数细节。
Overworld 团队在 Hugging Face 上开源了 Waypoint-1,这是一款支持实时交互的视频扩散模型。该模型提供了 Small 版本权重,旨在实现低延迟的生成式视频体验,并配套举办黑客松活动以推动生态应用。
OpenAI 正式推出旗舰模型 GPT-4o,该模型具备跨音频、视觉和文本的实时推理能力。作为新一代核心产品,GPT-4o 标志着大模型从纯文本处理向原生多模态实时交互的重大跨越。