Gemini 3.5 Transcribe Live
Google 的低延迟实时语音转文字模型,面向流式转写,而非直接进行语音对话的助手。通过 Gemini Live API 和 WebSocket 接收连续音频,并增量输出文本。(aistudio.google.com) 支持临时和最终转写事件、智能转写及多种语音活动检测(VAD)策略。智能转写可处理口头修正、去除填充词并格式化文本。(aistudio.google.com) 支持 85 种以上语言…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
Google 的低延迟实时语音转文字模型,面向流式转写,而非直接进行语音对话的助手。通过 Gemini Live API 和 WebSocket 接收连续音频,并增量输出文本。(aistudio.google.com) 支持临时和最终转写事件、智能转写及多种语音活动检测(VAD)策略。智能转写可处理口头修正、去除填充词并格式化文本。(aistudio.google.com) 支持 85 种以上语言…
Google 的语音转文字模型,面向多语言音频转写和智能语音交互。gemini-3.5-transcribe 用于预录音频处理;实时流式转写使用独立模型 ID gemini-3.5-transcribe-live。(aistudio.google.com) 自动检测并转写 85 种以上语言,支持对话中的语言切换,包括普通话简体中文。 支持智能转写,可处理自我纠正、去除语气词并格式化文本;支持自定义…
GLM-5.3-Flash 是智谱 GLM-5 系列的原生多模态模型,面向低成本推理、编程和长程智能体任务。模型总参数量为 320B,每次推理激活参数量为 18B,采用稀疏注意力与线性注意力混合架构。模型权重已公开,可使用 SGLang、vLLM 和 TokenSpeed 等框架进行本地部署。(z.ai) 接收文本、图片、视频和文件输入,输出文本;可用于视觉理解、文档分析和图表问答。(docs.z…
Qwen3.8-Flash 是通义千问多模态模型,侧重兼顾推理与生成能力、响应速度和使用成本,面向高并发应用与智能工作流。(docs.qwencloud.com) 支持文本、图像和视频输入,输出文本;支持思考模式、函数调用、结构化输出和上下文缓存。 适用于编程辅助、代码修复、长文档与代码库分析、图表和视频理解,以及智能体工具协作。 兼容 OpenAI 和 Anthropic API…
Qwen3.8-Flash-Next 是阿里巴巴 Qwen 团队发布的开放权重多模态混合专家(MoE)模型,也是 Qwen4 架构的早期实验性预览。主模型为 125B 参数,另有 51B 参数的 N-gram 嵌入表;每个 token 激活约 6B 参数。(github.com) 采用 Gated DeltaNet 与 Qwen Sparse Attention 混合架构,以降低长序列注意力计算成…