Veo 3.1 Preview
Veo 3.1 Preview 是 Google 的影片生成模型預覽版,可依文字或圖像指示製作影片,並生成與畫面同步的聲音。它是標準版,與 Veo 3.1 Fast Preview 不同。(docs.cloud.google.com) 支援文字生成影片、由圖片生成影片,以及使用首尾影格控制轉場。 可用場景、角色、物件或風格參考圖輔助控制畫面;可生成對話和音效。 適合影片構思、故事片段、視覺風格探索…
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。
Veo 3.1 Preview 是 Google 的影片生成模型預覽版,可依文字或圖像指示製作影片,並生成與畫面同步的聲音。它是標準版,與 Veo 3.1 Fast Preview 不同。(docs.cloud.google.com) 支援文字生成影片、由圖片生成影片,以及使用首尾影格控制轉場。 可用場景、角色、物件或風格參考圖輔助控制畫面;可生成對話和音效。 適合影片構思、故事片段、視覺風格探索…
Qwen3-VL-Flash 是 Qwen3 系列的小尺寸視覺理解模型,兼顧回應速度、思考與非思考模式。它可理解圖片與影片,支援長影片、長文件、空間感知、物件辨識及視覺 2D/3D 定位,適合多模態理解與現實場景中的複雜感知任務。(help.aliyun.com) 2025-10-15 快照版接受文字、圖片及影片輸入,輸出文字;可用於圖片問答、影片內容分析、文件理解與視覺定位。(help.aliy…
Tencent 的混元翻譯專項模型,用於多語言文字翻譯。此版本於 2025 年 10 月 14 日更新;模型最初於 2024 年 10 月 25 日推出。(cloud.tencent.com) 官方表示,此版本支援 33 種語言及 5 種民族語言互譯,包括繁體中文、英文、日文、法文、阿拉伯文、藏文及粵語等,可用於多語內容翻譯。官方並稱其在 WMT25 比賽中有 30 種語言獲得第一,且在…
Google 於 2025 年 10 月 7 日發布的公開預覽模型,建立在 Gemini 2.5 Pro 的視覺理解與推理能力之上,專為能操作圖形使用者介面的代理程式設計,主要針對網頁瀏覽器使用情境最佳化。(blog.google) 接收文字與圖片,輸出文字及介面操作的函式呼叫;官方列出的輸入上限為 128,000 tokens,輸出上限為 64,000…
GPT Image 1 mini 是 GPT Image 1 的低成本版本,定位於較具成本效益的圖片生成與編輯。OpenAI 於 2025 年 10 月 6 日發布此模型。(developers.openai.com) 原生多模態模型,可接收文字和圖片輸入,並輸出圖片;適合依文字提示產生圖片,或依照指示編輯既有圖片。(developers.openai.com) 可透過 Images API 的圖…
GPT-Audio mini 是 GPT Audio 的較低成本版本,定位於語音對語音應用。OpenAI 於 2025 年 10 月 6 日宣布推出。(developers.openai.com) 模型支援文字及音訊的輸入與輸出,可用於建構語音互動和音訊回應應用,並可透過 Chat Completions REST API 使用。官方模型頁列出 128,000 token 上下文視窗、最多 16,…
GPT-Realtime mini 是 GPT-Realtime 的較低成本版本,定位於即時語音對話及多模態互動。OpenAI 於 2025 年 10 月 6 日宣布發布,首發快照為 gpt-realtime-mini-2025-10-06。(developers.openai.com) 可透過 WebRTC、WebSocket 或 SIP 進行即時文字與音訊互動;支援文字及音訊輸入與輸出,也支援…
Gemini 2.5 Flash Image,又稱 Nano Banana,是 Google 針對快速圖像理解、生成與編輯最佳化的原生多模態模型,適合高頻圖像創作及對話式編輯工作流程。(ai.google.dev) 接受文字與圖片輸入,可輸出文字與圖片;支援文字與圖片交錯輸出。 支援依文字描述生成圖片、參考多張圖片生成圖片、多輪圖片編輯、長寬比控制、僅輸出圖片,以及批次預測。可用於視覺概念創作、素…