Chirp 3: Transcription
Chirp 3: Transcription 是 Google 面向多語言自動語音辨識(ASR)的生成式模型,將音訊轉錄為文字。它透過 Google Cloud Speech-to-Text API V2 提供,模型識別碼為 chirp_3。(docs.cloud.google.com) 支援串流辨識、同步辨識和批次辨識,可用於即時轉錄、短音訊辨識及長音訊處理。 支援自動語言偵測、自動標點、說話者…
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。
Chirp 3: Transcription 是 Google 面向多語言自動語音辨識(ASR)的生成式模型,將音訊轉錄為文字。它透過 Google Cloud Speech-to-Text API V2 提供,模型識別碼為 chirp_3。(docs.cloud.google.com) 支援串流辨識、同步辨識和批次辨識,可用於即時轉錄、短音訊辨識及長音訊處理。 支援自動語言偵測、自動標點、說話者…
Kimi-VL-A3B-Thinking 是 Kimi-VL 系列的視覺語言推理模型,側重複雜文字與多模態推理。它採用混合專家(MoE)架構,官方列出的總參數量約為 160 億、啟用參數量約為 30 億,上下文視窗為 128K token。(huggingface.co) 接收圖像和文字並生成文字,可用於多圖理解、視覺問答和數學推理。 Kimi-VL 系列還支援文件、影片內容理解及代理相關任務;具…
Kimi-VL-A3B-Instruct 是面向高效推論的視覺語言指令模型,採用混合專家(MoE)語言模型、原生解析度視覺編碼器 MoonViT 和投影層。官方列出的總參數量約為 160 億,啟用參數量約為 30 億,上下文視窗為 128K。(huggingface.co) 模型可結合文字和視覺資訊完成多模態理解,適用於影像問答、多圖理解、OCR、長文件和影片內容理解,以及作業系統介面等智慧代理場…
萬相 2.1 首尾影格生成影片 Plus 版,是面向國際影片生成服務的模型:根據首影格和尾影格兩張圖片生成過渡影片,也可結合文字提示詞控制內容。官方公告將其列於 2025 年 4 月 7 日。(docs.bailian.console.aliyun.com) 官方稱模型支援大幅度複雜運動、多種藝術風格和較豐富的影片細節,並增強了指令遵循能力。可用於兩張關鍵畫面之間的轉場及短影片創作。(docs.b…
Speech-02-Turbo 是 MiniMax Speech-02 系列中的文字轉語音模型,針對即時互動場景最佳化,側重低延遲與語音品質的平衡。Speech-02 系列於 2025 年 4 月 2 日發布。(minimax.io) 將輸入文字合成為語音,支援串流輸出;可調整語速、音量和音調,並控制停頓及情緒。(platform.minimaxi.com) 支援使用系統音色和複刻音色。系列發布公…
Speech-02-HD 是 MiniMax Speech-02 系列中面向高保真語音生成的文字轉語音模型,適用於配音、有聲書等重視音質的場景。該系列於 2025 年 4 月 2 日發布。(minimax.io) 輸入文字並生成語音;支援多語言、不同口音和情緒表達。官方後續技術介紹稱 Speech 02 支援 32 種語言。(minimax.io) 支援聲音複刻,以及音高、語速、音量和情緒等控制;…