语音圈真的炸了，这个github开源黑科技把AI语音干到了离谱的程度，项目叫 VoxCPM2，已经揽获 22.9k star。 你用自然语言描述一个声音，它就能帮你生成出来。 不用找参考音频，也不需要任何样本，直接就能出效果。 更绝的是它的克隆能力。 随便找一段音频扔进去，它可以 1:1... 复刻那个声音的音色、语气、情绪和节奏。 如果你再把原始文字稿也一起给它，连说话时的呼吸节奏、细微停顿都能还原。show more

用了一段时间 Seedance 2.0，我用了几百次，试着做了短剧、商业广告、文旅宣传片、生活互动小视频、个人vlog，聊点真实感受。 AI 视频从"生成"进入了"创作"时代。以前我们在"用 AI 做视频"，现在是"用 AI 拍片"。... 它重塑的不是某一个功能，而是整个创作流程： 以前你得分别处理文案、素材、剪辑、音效，现在你把想法、参考图、一段旋律一股脑丢给它，出来的东西——是一个完整的、有声音的、有叙事的视频。 最让我意外的是它的理解力。你用自然语言描述"主角从疲惫切换到放松的表情变化"，它真的能演出来。不是那种僵硬的 AI 味表演，是有节奏的、有呼吸感的。 说"划时代"可能有点大，但至少有三件事回不去了： 不会再接受"角色换个镜头就变脸" 不会再接受"视频和声音各做各的" 不会再接受"只能靠文字描述，不能喂参考素材" 这才是 AI 视频该有的样子。show more

千问开源Qwen3-TTS 除了常规的文本生成语音，还支持设计声音和语音克隆。分0.6B和1.7B两个大小。效果不错，速度也很快。语音克隆的音色还原还可以，但是情感还原上不如Index TTS2。 模型： 在线体验：

爽了，AI视频终于卷起来了，MiniMax H3 牛逼！！！ Seedance 2.0 30% 的价格 + 2K... 画质 + 原生声音 + 角色一致 + 指令编辑 真香！我来给大家详细讲一讲这个模型： 它原生同时出画面和声音。给一段描述，视频出来自带对话、音效、环境音，不用像以前一样跑完视频再去配 TTS、找音效、对口型。 之前做一条完整有声视频至少串三四个工具，现在一步全出来。光这一个能力就已经省掉巨多时间了。 比如，你设计好一个品牌模特，把参考图喂进去，最多同时喂 9 张图 + 3 段视频 + 3 段音频，模型生成的每条视频里这个人物长相和声音都一致。 而且生成完不满意不用整条重跑，直接说"背景换成卧室""手里的产品换一个"，视频编辑能力 Artificial Analysis 全球第一，不是吹的！ TopviewAI 是首批将将它推向市场的平台，而且Ultra 年费用户60 天无限生成，你就敞开了测到满意为止。show more

发现一个开源的 AI 视频生成项目，GitHub 已经 7k star 了——InfiniteTalk 它支持图像转视频和视频转视频两种模式，都是语音驱动的。 给一张图片加一段音频，能直接生成说话的视频；给一段已有视频换音频，也能重新配音。... 除了口型同步，还能同时驱动头部运动、身体姿态和面部表情，整体动作会跟着音频联动，不只是嘴在动。 还支持无限时长视频生成，不受时长上限的限制，算是打破了 AI 视频生成的瓶颈。show more

还记得阿里巴巴那个让照片说话的EMO项目吗 ？ 微软的VASA-1项目也实现了这个功能 单人像照片+语音音频=超逼真的人脸视频 效果炸裂，比EMO那个效果还好

这个skill玩的停不下来，产生成动态视频效果不错 不需要GPU，用CPU就可以玩 关键是完全用自然语言就行，渲染也很快（第一次渲染要下载插件，当然都是cc帮你做了） 调整也非常快速，就是写一个tsx文件， 还能自动配音TTS，我修改了一下用的index tts2的配音 最后直接下载保存就可以

用 Codex 加 ChatCut，我终于能用自然语言丝滑剪辑我的视频了！ 最近一直在研究这个 ChatCut 的 CodeX 插件... 他们在自然语言视频作这个层面，绝对是第一梯队 最牛逼的几个点在于： 1. 全自然语言操控 可以用自然语言操作整个剪辑过程 你不需要去手动操作复杂的剪辑轨道，只需要把你的需求用大白话讲给它，它就会自动去调用工具进行剪辑 2. 剪辑与生成无缝集成 它把视频剪辑和生成功能全部集成到了同一个工具里 如果你在剪辑过程中需要某些素材，它会自动帮你去找，或者直接生成对应的素材 整个体验非常顺畅，效果挺屌的 3. 优秀的可视化交互 这是目前我见过交互体验最好的自然语言剪辑工具 安装好之后，左边是你跟 Codex 对话的区域，右边就是它的整个工作区 你可以实时、可视化地看到 Codex 是如何操作你的视频素材进行剪辑的 更爽的是，你还可以直接在右边的工作区里，对刚刚剪辑的视频进行精细化的微调和修改 这种交互方式真的已经非常接近我理想中自然语言剪辑了 不过他们目前也确实存在一些问题， 比如整体的处理速度还是比较慢，以及 Token 的消耗比较大 这也是现阶段的一个局限性，但我觉得未来一定会越来越好 如果对自然语言视频制作感兴趣的兄弟们，一定要去试一下这个插件！ 官网链接如下：show more

发现一个能把任何电子书变成Claude Code skill的项目，叫 book-to-skill 解决了看书的痛点：你买了本实用的技术书，认真读完，三个月后就忘了讲了什么。 这个项目把整本书变成Claude Code随时能调用的skill，调用它再加上电子书路径，就能自动拆成核心总览、分章节笔记、术语表、速查表。 拆完后这个skill就会以书名命名，你只需要输入书名，它会给你整本书的核心总结 如果你带着具体问题问，它会自动去对应章节里找答案讲给你听。 而且这些章节都是按需加载的，你不问到的部分不会占用上下文。

很久之前我就说过，用户的需求从来就不是写 prompt 指挥 AI 而是直接说需求「做个抖音出来」 这就是技术和用户之间巨大的 Gap 但是，就在刚刚... 我打开... bolt new，让它做一个抖音出来 它真的做了一个抖音出来... 😲 来看看这段录屏吧show more

NVIDIA 刚推出了一个 0.6B 的语音辨识模型 叫 Nemotron-3.5-ASR 支持 40 种以上语言、实时串流输出——不需要... GPU，纯 CPU 就能跑 速度是官方 Nemo runtime 的 2.5 倍，辨识结果完全一致 离线环境也能用，直接整进你的 agent pipelineshow more

前两天用了ChatCut我以为它已经很牛了至少在某些程度上能替代剪映，没想到今天部署的这个开源项目OpenMontage更厉害，只需要接入大模型它就能直接帮你写好提示词分镜脚本，有哪里不对的还可以让它改，我刚就说了一句“帮我生成一个15秒的猫和老鼠的视频”，它就给我做了一个这样的视频出来，自从有了AI各行业的压力是越来越大了，以后动画设计那些我感觉越来越多人要失业了。

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。... 你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。 《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。 这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。 目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。 下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：show more

兄弟盟，AI 女友真的要来了～ 刚在 GitHub 看到一个挺有意思的 AI 项目，叫 AIRI。 它想做的事情其实很简单：... 做一个真正活着的 AI 虚拟角色。 不是普通的聊天机器人， 而是一个 AI 虚拟伙伴 / AI VTuber。 你可以和她： - 语音聊天 - 一起看视频 - 一起玩游戏 - 甚至让她帮你打 Minecraft 关键是这个项目 完全开源，而且可以自己部署。 也就是说，你可以拥有一个： 会聊天、会记住你、还能互动的 AI 数字人。 技术也挺硬核： - WebGPU + WebAssembly - 支持 OpenAI / Claude / Gemini 等大模型 - 还能接 Live2D、VRM 角色模型 未来的 AI Companion，大概率就是这个形态。 如果你在关注： AI Agent AI 虚拟人 AI 陪伴产品 这个项目真的值得去看看。show more

吃瓜洼地烂事！ 这个女的应该是被人做局了，这男的是想把别人吃干抹净！语音里那对男女说话很狂啊，男的说要把这个穿黄衣服女的打的不能再鹿邑待！女的说我们亲戚都关注你的抖音，只要我一声令下一二十个人等着你呐！🤣

卧槽，这个仓库思路我是挺佩服的～ 能把任意公开的 GitHub 仓库逆向工程成“原始自然语言提示（prompt）”。 简单说就是： 你输入一个 GitHub 仓库链接，它就会自动抓取仓库的结构、README、文件树等信息，用 AI（比如... Gemini）帮你生成一个完整、自然的提示词。 把这个提示词直接丢给 Claude、Cursor、Windsurf 等 AI 编程工具，AI 就能更好的理解。 主要用处： 快速学习一个项目的“构建思路”和提示风格（不用一行一行读代码） 复制/重现别人用 AI 写的项目（学习提示词） 仓库&体验地址👇👇👇show more

阿里昨晚放出了最新款TTS：Qwen3-TTS，秒级克隆、一句话设计新音色、实时流式输出，0.6B 可跨语种多语，中文克隆后直接说英日韩德法俄西葡意+ 四川话、北京话等方言，音色不变 Dual-Track双轨架构，输入1个字就能出首包音频，端到端延迟97 ms，可以做直播、实时翻译、AI客服了 用它做有声书，可以一人分饰多角，情绪、方言全有了 有1.7B和0.6B两个尺寸，1.7B性能最优，具备控制能力，0.6B均衡性能与效率 #tts #Qwen3TTS

国内也有自己的 Veo 3 模型了！ 通义今天发布了通义万象 2.5 视频模型 一个重要的更新就是实现音画同步的视频生成能力 支持端到端输出与视频相关的音效、语音，同时可以唇形同步。

我的 AI 编程能力又向前迈了一大步。 刚刚用 Claude Code 复刻了抖音 APP 的「钱包」功能，我不知道抖音有多少名工程师负责这个功能，但... Claude Code 实现一模一样的效果只用了 10 分钟，现在我可以拿去到处装逼了，金额自己填，最牛逼的是，填进去的金额还支持随时提现。 兄弟们看看还原度如何，能给几分？show more

字节新视频模型Seedance1.5 pro有个很牛🍺的点，目前只有它能做。 可以一句话复刻经典影视片段、热门片段，做出同款名场面效果，甚至人物的动作和台词都能直接复用，比如我做的这个经典你过来啊（沈腾熊猫版） 我还测试了X个cases （1/4）

每次去问那些大模型某个项目怎么样，得到的回复永远是那种模棱两可的万金油——“项目有潜力，但请注意市场波动”。听君一席话，如听一席话，完全不敢拿真金白银去信它。 但这两天仔细看了下 Sentient 的逻辑，尤其是那个 SERA 架构，我是真觉得有点意思。它没想着用一套通用的语料库来“忽悠”你，而是老老实实地在做“拆解”。 你问它 DOGE 的风险，它不是在那瞎编，而是像个老练的研究员一样，先把问题拆成几个维度：经济模型是不是通胀的？链上流动性池子够不够深？大户是不是在集中出货？它有一套自己的索引库，先找工具，再抓实时数据，最后才给你写结论。... 这给我的感觉是，它终于不再是一个只会陪聊的机器人，而是一个懂得去查证、去推理的 Agent。在币圈这种信息满天飞、真假难辨的地方，我们需要的就是这种能把“情绪”和“事实”剥离开的能力。如果不解决“可信度”这个问题，AI 在 Web3 永远只是个玩具，但 Sentient 似乎找到了打破这个僵局的锤子。show more