Gemini 2.5 Flash Preview Native Audio Dialog
Google Gemini 2.5 Flash 系列的預覽模型,面向 Live API 即時對話,具備原生音訊輸出能力。它與單獨發布的 Thinking 變體及文字轉語音模型不是同一模型。(aistudio.google.com) 理解音訊並生成語音,可用於建構即時語音助理和對話應用;Live API 還提供音視訊輸入能力。(blog.google) 可按指示調整語音風格、語速和口音;支援工具使用…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
Google Gemini 2.5 Flash 系列的預覽模型,面向 Live API 即時對話,具備原生音訊輸出能力。它與單獨發布的 Thinking 變體及文字轉語音模型不是同一模型。(aistudio.google.com) 理解音訊並生成語音,可用於建構即時語音助理和對話應用;Live API 還提供音視訊輸入能力。(blog.google) 可按指示調整語音風格、語速和口音;支援工具使用…
Gemini 2.5 Flash Preview TTS 是 Google 的預覽版文字轉語音模型,側重低延遲、性價比和可控語音生成。其輸入為文字,輸出為音訊。(aistudio.google.com) 可生成單人或雙人語音,並透過指令調整語音風格、口音和語速。(aistudio.google.com) 可用於旁白、有聲書、Podcast、對話內容及語音助理等場景。(aistudio.google…
Google Gemini 2.5 Pro 系列的預覽版文字轉語音模型,面向高品質、可控制的語音合成,適合處理較複雜的語音生成提示。(blog.google) 接收文字並生成音訊,支援單人語音和雙人對話。(aistudio.google.com) 可透過自然語言提示調整語音風格、語調、情緒、語速和發音;支援多語言語音生成。(blog.google) 可用於公告、故事朗讀、Podcast 和遊戲角色…
Gemini 2.5 Flash Preview 是 Google 於 2025 年 5 月 20 日發布的預覽版模型,定位為兼顧速度、成本和推理能力的高效率模型。與此前版本相比,Google 報告其在推理、多模態、程式碼和長上下文基準上有所改進。(blog.google) 推理與控制:支援思考預算,開發者可在品質、延遲和成本之間進行權衡,也可關閉思考;Gemini API 和 Vertex AI…
騰訊混元 TurboS 系列的大型語言模型版本,面向通用文字與推理任務。此版本自適應融合長短思維鏈。(cloud.tencent.com) 官方表示,相較於先前版本,此版本提升了數學、程式碼、邏輯和科學等理科能力,文科效果維持不變。可用於數學與邏輯問題分析、程式碼相關任務及科學問題解答。官方公布的測試結果包括:數學 OOD 測試集提升 7%、邏輯難題提升 5%、程式碼能力及體驗提升 5%、科學提升…
codex-1 是 OpenAI 針對軟體工程最佳化的 o3 版本,為雲端編碼智慧代理 Codex 的首發研究預覽版提供支援。它使用多種環境中的真實編碼任務進行強化學習訓練,以遵循指示並產生符合人類編碼風格和程式碼審查偏好的程式碼。(openai.com) 撰寫功能、修復錯誤、回答程式碼庫問題,並提出供審查的 GitHub 拉取請求。 在獨立的雲端沙箱中讀取和編輯檔案,執行測試、程式碼檢查工具和型…
hunyuan-t1-vision 是騰訊混元的多模態理解深度思考模型。騰訊雲產品動態記載,其正式版於 2025 年 5 月 16 日發布。(cloud.tencent.com) 模型支援多模態原生長思維鏈,擅長圖片推理;官方稱其在理科難題上的表現相較快思考模型有所提升。它可用於圖文理解和基於圖片的推理任務。(cloud.tencent.com) 發布公告未給出該正式版的上下文視窗、圖片數量或解析…
Qianfan-Sug 是百度千帆平台自研的對話預測垂直模型,面向多輪對話中的下一輪問題推薦。百度將其列為推理服務 API V2 的文字生成模型。(ai.baidu.com) 模型根據既有對話上下文識別使用者意圖,推測使用者接下來可能提出的問題,可用於智慧客服、電商等場景,為使用者提供後續問題建議。(ai.baidu.com) 該模型的定位是對話預測和問題推薦;預測結果並不保證與使用者的實際下一次…
Wan2.1-VACE-Plus 是萬相 2.1 的影片創作與編輯統一模型,接受文字、影像和影片等條件輸入,輸出影片。官方公告將其列為影片生成模型。(help.aliyun.com) 支援影片局部編輯、影片重繪、畫面擴展、影片時長延展和圖片參考生成。 可用於修改或替換影片中的局部元素、擴展畫面邊界,以及參考影像或影片的內容與動態特徵生成影片。(help.aliyun.com) 2.1 版 API…
Seedance 1.0 lite 的圖生影片版本,是字節跳動面向效率和成本最佳化的小參數量影片生成模型。該 API ID 對應圖生影片;同系列文生影片使用另一模型 ID。(docs.volcengine.com) 根據輸入圖片生成影片,可結合文字提示;支援首影格或首尾影格控制。BytePlus 歷史模型資料還列出使用 1–4…
Seedance 1.0 lite 的文字生成影片版本,是面向生成速度與成本最佳化的小參數量影片生成模型。輸入文字提示詞及可選參數,輸出影片;圖片生成影片使用獨立的 I2V 版本。(developer.volcengine.com) 根據文字描述生成影片,可透過提示詞描述人物、動作和運鏡。官方介紹了環繞、空拍、變焦、平移、跟隨和手持等鏡頭語言。(developer.volcengine.com)…
千問即時全模態理解與生成模型的 2025 年 5 月 8 日快照版本,面向即時音訊互動。(docs.modelstudio.console.alibabacloud.com) 支援文字、影像、影片和音訊輸入,可理解音訊伴隨其他模態的混合輸入。 支援同時串流生成文字和語音,提供 4 種自然對話音色。 適用於即時語音助理、多模態對話等互動場景。(help.aliyun.com) 官方先前的模型資料列示…
Google 於 2025 年 5 月 7 日發布的 Gemini 2.0 Flash 圖像生成預覽模型,面向開發者建構對話式圖像生成和編輯應用。發布時可透過 Google AI Studio 和 Vertex AI 使用。(developers.googleblog.com) 根據文字提示生成圖像,並可在回應中結合文字和圖像。 透過對話編輯圖像,例如修改圖像的特定部分;官方還展示了協作繪圖、產品…
Google 於 2025 年 5 月 6 日提前發布的 Gemini 2.5 Pro 預覽更新,重點增強程式設計能力,尤其是互動式網頁應用程式和前端介面開發。(blog.google) 支援程式碼生成、轉換和編輯,以及複雜的智慧代理工作流程;Google 同時報告改善了函式呼叫的觸發率並減少了呼叫錯誤。(developers.googleblog.com) 具備多模態推理、影片理解和長上下文能力…
kimi-thinking-preview 是 Moonshot AI 發布的長思考模型預覽版。官方將其描述為具備多模態推理和通用推理能力的模型,擅長深度推理,可用於處理複雜程式碼、數學和工作問題。公告未詳細列明全部支援的模態及其介面規格。(platform.kimi.com) API 回應使用 reasoning_content 返回思考內容,使用 content 返回回答;串流輸出中思考內容先…
ERNIE-iRAG-Edit 是百度自研的影像編輯模型。官方更新紀錄列出的版本為 ERNIE-iRAG-Edit-1.0,於 2025年4月17日在千帆推理服務 API V2 影像編輯類別上新。(cloud.baidu.com) 消除物件(erase):消除遮罩選取的局部、主體或背景。 重繪物件(repaint):根據文字提示重繪選取區域,可用於調整樣式、豐富細節或替換主體、背景。…
ERNIE X1 是百度的深度思考與推理模型。輸入所指版本為 ERNIE-X1-32K;百度模型更新紀錄將其描述為該版本的主版本,提供對話 API。(cloud.baidu.com) 百度介紹,該模型側重理解、規劃、反思及推理,適用於中文知識問答、文學創作、文稿寫作、日常對話、邏輯推理、複雜計算和工具呼叫等任務。企業可將其用於建構問答、檢索增強生成、智慧代理和工作流程應用。(cloud.baidu…