正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

🚀 OpenCodex v1.0.2 正式发布！我们把 Codex Desktop 的「原生能力、第三方模型、语音交互、会话管理」整合进了一套完整的本地工作流！ ⚡️ 【本地网关】原生 & 第三方无缝切换 • 原生 GPT 通道始终保留，第三方模型自由切换。127.0.0.1 纯本地监听 + macOS Keychain 凭据安全存储，支持一键还原原生 🎙️ 【全局语音 AI】刘海 HUD 交互体验 • 刘海 HUD 动态波形（Listening / Thinking / Speaking） • 支持短按连续对话 / 长按 Push-to-Talk 模式，所有模型统一支持 🧠 【会话管理】历史上下文无缝承接 • 一键扫描并导入本地历史 Agent 会话 • 智能生成摘要，过滤冗余日志，可直接在 Codex... show more

Ryanxlll2

1,121 subscribers

37,298 次观看 • 25 天前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

🚀 OpenCodex 1.2.0 框架彻底重构完成！这一次，我们重构了底层模型路由，并加入了「Provider Split Bridge 智能分流桥」，区别于市面上几乎所有的第三方网关代理方式⚡ 过去的 OpenCodex 和其他第三方网关一样，采用全局代理模式：所有模型都经过网关。一旦网关崩溃，原生 GPT 和第三方模型会一起失效，只能还原原生模式才能恢复使用。现在，模型路由彻底分离： 🟢 原生 GPT 永远直连 OpenAI 无论网关开启、关闭、崩溃，还是第三方模型异常，都不会影响 GPT。除非 OpenAI 官方服务本身发生故障，否则 GPT 始终正常运行。 🔵 第三方模型按需接入网关网关开启时，第三方模型正常运行；网关关闭或崩溃时，第三方模型停止服务，但不会牵连原生 GPT。 🌉 Provider Split Bridge 智能分流桥网关启动时自动接入，自动识别官方模型与第三方模型，并将它们分别送往正确的服务通道。 🤖 Native Subagent Bridge 子智能体接力桥当主会话通过 spawn_agent 派发任务时，子智能体请求会通过独立桥接通道进入网关，再由网关按照任务指定的模型和推理档位进行智能分流。主会话仍然保持原生直连，不会变成全局代理，也不会影响 GPT 的正常会话。 🔄 会话完全互通会话列表、聊天记录和上下文完整继承。同一会话中可以自由切换 GPT、Gemini、DeepSeek 等模型，互不影响，也不会丢失上下文。 OpenCodex，从「全局代理」进化为「官方直连 + 第三方隔离」的双通道智能架构。官方模型永远稳定，第三方模型按需接入。🛡️✨

🚀 OpenCodex 1.2.0 框架彻底重构完成！这一次，我们重构了底层模型路由，并加入了「Provider Split Bridge 智能分流桥」，区别于市面上几乎所有的第三方网关代理方式⚡ 过去的 OpenCodex 和其他第三方网关一样，采用全局代理模式：所有模型都经过网关。一旦网关崩溃，原生 GPT 和第三方模型会一起失效，只能还原原生模式才能恢复使用。现在，模型路由彻底分离： 🟢 原生 GPT 永远直连 OpenAI 无论网关开启、关闭、崩溃，还是第三方模型异常，都不会影响 GPT。除非 OpenAI 官方服务本身发生故障，否则 GPT 始终正常运行。 🔵 第三方模型按需接入网关网关开启时，第三方模型正常运行；网关关闭或崩溃时，第三方模型停止服务，但不会牵连原生 GPT。 🌉 Provider Split Bridge 智能分流桥网关启动时自动接入，自动识别官方模型与第三方模型，并将它们分别送往正确的服务通道。 🤖 Native Subagent Bridge 子智能体接力桥当主会话通过 spawn_agent 派发任务时，子智能体请求会通过独立桥接通道进入网关，再由网关按照任务指定的模型和推理档位进行智能分流。主会话仍然保持原生直连，不会变成全局代理，也不会影响 GPT 的正常会话。 🔄 会话完全互通会话列表、聊天记录和上下文完整继承。同一会话中可以自由切换 GPT、Gemini、DeepSeek 等模型，互不影响，也不会丢失上下文。 OpenCodex，从「全局代理」进化为「官方直连 + 第三方隔离」的双通道智能架构。官方模型永远稳定，第三方模型按需接入。🛡️✨

Ryanxlll2

57,059 次观看 • 14 天前

🚀 OpenCodex 1.0.8 🪟 Windows 版已对齐 macOS 1.0.8。 🌐 本地网关：服务商、API Key、本机订阅和模型目录管理 🧠 智能模型：自动识别推理档位与上下文窗口，支持 Chat / Responses 🖥️ Computer Use：截图、鼠标、键盘、工具调用和连续交互 🤖 GPT-Live：实时语音、任务分派和执行模型切换 💬 会话中心：浏览、删除和导入多种 Agent 会话 #codex #opencodex #chatgpt

🚀 OpenCodex 1.0.8 🪟 Windows 版已对齐 macOS 1.0.8。 🌐 本地网关：服务商、API Key、本机订阅和模型目录管理 🧠 智能模型：自动识别推理档位与上下文窗口，支持 Chat / Responses 🖥️ Computer Use：截图、鼠标、键盘、工具调用和连续交互 🤖 GPT-Live：实时语音、任务分派和执行模型切换 💬 会话中心：浏览、删除和导入多种 Agent 会话 #codex #opencodex #chatgpt

Ryanxlll2

12,845 次观看 • 18 天前

MiniCPM-o4.5：首个开源全模态、全双工模型全模态：支持视频、音频、图片、文本输入，支持音频、文本输出。能实时生成音频，支持语音克隆，支持生成无限长度音频。全双工：不是一问一答，而是能边听边说。支持打断，不仅你可以打断MiniCPM-o4.5说话，MiniCPM-o4.5也会自主决策打断你说话，像是两个真实的人在沟通。这是首个能打断人类说话的模型，Gemini 3 Flash能实现你打断AI说话，但是AI不能主动打断你说话。完全开源，9B参数，本地即可运行。OpenBMB 模型：

MiniCPM-o4.5：首个开源全模态、全双工模型全模态：支持视频、音频、图片、文本输入，支持音频、文本输出。能实时生成音频，支持语音克隆，支持生成无限长度音频。全双工：不是一问一答，而是能边听边说。支持打断，不仅你可以打断MiniCPM-o4.5说话，MiniCPM-o4.5也会自主决策打断你说话，像是两个真实的人在沟通。这是首个能打断人类说话的模型，Gemini 3 Flash能实现你打断AI说话，但是AI不能主动打断你说话。完全开源，9B参数，本地即可运行。OpenBMB 模型：

Gorden Sun

55,078 次观看 • 6 个月前

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

AIGCLINK

52,402 次观看 • 1 年前

阶跃星辰开源了一个130B 语音-文本的多模态模型：Step-Audio 这是一个集成语音识别、语义理解、对话生成、语音克隆、音频编辑和语音合成等功能的全能语音模型。该模型通过多模态训练，使得语音理解与生成可以无缝对接。主要能力：语音克隆支持多种语言对话（中文英日）情绪控制与语调控制支持方言可控制语速及韵律风格支持RAP和哼唱等集成了工具调用和角色扮演能力，能够高效管理复杂的任务和对话。 Step-Audio 在多个基准测试中表现出色，尤其是在开放域问答、复杂指令任务和语音合成（TTS）方面取得了显著的进展。

阶跃星辰开源了一个130B 语音-文本的多模态模型：Step-Audio 这是一个集成语音识别、语义理解、对话生成、语音克隆、音频编辑和语音合成等功能的全能语音模型。该模型通过多模态训练，使得语音理解与生成可以无缝对接。主要能力：语音克隆支持多种语言对话（中文英日）情绪控制与语调控制支持方言可控制语速及韵律风格支持RAP和哼唱等集成了工具调用和角色扮演能力，能够高效管理复杂的任务和对话。 Step-Audio 在多个基准测试中表现出色，尤其是在开放域问答、复杂指令任务和语音合成（TTS）方面取得了显著的进展。

小互

35,755 次观看 • 1 年前

Dia：一个由两人小团队开发的完全开源语音模型能“一步生成”极为逼真的多角色对话语音能直接根据对话文本生成自然、有情感的多说话人语音可用音频条件（prompt）进行控制，实现情感、语调的定制。可通过音频prompt实现声音克隆权重和推理代码完全公开单步对话生成：一次性生成完整对话（支持多说话人，如[S1]、[S2]标签）。非语言标签支持：支持丰富的非语言动作标签，增强真实感。

Dia：一个由两人小团队开发的完全开源语音模型能“一步生成”极为逼真的多角色对话语音能直接根据对话文本生成自然、有情感的多说话人语音可用音频条件（prompt）进行控制，实现情感、语调的定制。可通过音频prompt实现声音克隆权重和推理代码完全公开单步对话生成：一次性生成完整对话（支持多说话人，如[S1]、[S2]标签）。非语言标签支持：支持丰富的非语言动作标签，增强真实感。

小互

28,964 次观看 • 1 年前

ElevenLabs 推出 Dubbing V2 端到端的AI配音模型... 最大的变化：配音不再是"先转写、再翻译、最后合成"三段式拼接，而是模型直接基于原始表演建模声音。并将音色、情绪、演绎都跟着穿越进每一种语言也就是说，同一个人开口讲六国语言，听上去还是他本人，连情绪和呼吸节奏都对得上 Dubbing v2 支持 90 多种语言和口音，原理：它针对原始表演来生成，而不是针对一段转录文本，所以语气、情绪、表达方式会跨语言保留下来，声音克隆全自动，会给原说话人建一个声音模型并应用到所有目标语言，保留身份、音高和语气，不用手动设置。另外支持音频、视频和文字三种输入具体能力： • 音色穿越：不是模仿你的声音，是你的声音直接在另一种语言里说话 • 情绪保真：原片里你笑你叹气你激动，译版照样有 • 同步感知翻译：译文长度匹配原片口型和停顿，不会嘴动完了字幕还在跑 • 措辞本地化：不是字面直译，每种语言用自己的表达方式 • 端到端全自动：传一个视频进去出一份配音，中间没有手工拼接视频里他们演了三个场景： MrBeast 风格的荒岛求生在 English/German/French 之间无缝切换一段财务部门的快节奏对白试连贯性一个童话故事试表达力

ElevenLabs 推出 Dubbing V2 端到端的AI配音模型... 最大的变化：配音不再是"先转写、再翻译、最后合成"三段式拼接，而是模型直接基于原始表演建模声音。并将音色、情绪、演绎都跟着穿越进每一种语言也就是说，同一个人开口讲六国语言，听上去还是他本人，连情绪和呼吸节奏都对得上 Dubbing v2 支持 90 多种语言和口音，原理：它针对原始表演来生成，而不是针对一段转录文本，所以语气、情绪、表达方式会跨语言保留下来，声音克隆全自动，会给原说话人建一个声音模型并应用到所有目标语言，保留身份、音高和语气，不用手动设置。另外支持音频、视频和文字三种输入具体能力： • 音色穿越：不是模仿你的声音，是你的声音直接在另一种语言里说话 • 情绪保真：原片里你笑你叹气你激动，译版照样有 • 同步感知翻译：译文长度匹配原片口型和停顿，不会嘴动完了字幕还在跑 • 措辞本地化：不是字面直译，每种语言用自己的表达方式 • 端到端全自动：传一个视频进去出一份配音，中间没有手工拼接视频里他们演了三个场景： MrBeast 风格的荒岛求生在 English/German/French 之间无缝切换一段财务部门的快节奏对白试连贯性一个童话故事试表达力

小互

11,797 次观看 • 2 个月前

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

歸藏(guizang.ai)

47,074 次观看 • 3 个月前

智谱的ZCode还是建议大家去体验一下，我自己使用下来发现还不错，几乎可以说和Codex一模一样😂 1、默认带的GLM5.2的模型。新注册的用户有一个体验计划。 2、可以对接第三方的API，常见的协议模式都支持 3、手机模式也支持，可以无缝对接到移动端设备 4、最让我眼前一亮的是引导功能，可以对接其他平台的AI Agent，对小白友好，点一点就能完成。

智谱的ZCode还是建议大家去体验一下，我自己使用下来发现还不错，几乎可以说和Codex一模一样😂 1、默认带的GLM5.2的模型。新注册的用户有一个体验计划。 2、可以对接第三方的API，常见的协议模式都支持 3、手机模式也支持，可以无缝对接到移动端设备 4、最让我眼前一亮的是引导功能，可以对接其他平台的AI Agent，对小白友好，点一点就能完成。

小墨同学

35,358 次观看 • 2 个月前

$兄弟们，这个数字人工具感觉不错我刚安装好，正在体验一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。这个一个安装包，然后下载模型即可，很容易上手可以生成带有数字人的视频，并且保持嘴型和声音是同步的。支持语音合成和声音克隆支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。$

兄弟们，这个数字人工具感觉不错我刚安装好，正在体验一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。这个一个安装包，然后下载模型即可，很容易上手可以生成带有数字人的视频，并且保持嘴型和声音是同步的。支持语音合成和声音克隆支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。

小互

41,028 次观看 • 1 年前

Google 发布 Gemma 4 12B 开源模型 16GB 笔记本跑全模态 AI Gemma 4 12B 采用了一种叫"Unified"的无编码器架构，让文字、图像、音频、视频四种输入直接进入同一个 Transformer 主干网络处理。模型可直接处理原始的图像和声音用一个类比讲清楚传统多模态模型处理图片和音频的方式，类似于一个只会中文的老板配了两个翻译：一个英文翻译（视觉编码器），一个日文翻译（音频编码器）。每次有英文或日文材料进来，必须先让翻译转成中文，老板才能看懂。翻译本身占工位（显存），翻译过程要排队等（延迟），而且老板拿到的是翻译加工过的版本，不是原文。 Gemma 4 12B 做的事情是：把两个翻译都裁了，让老板自己学会了直接看英文和日文。几个关键数字： 16GB 显存或统一内存能跑，4-bit 量化低到 8GB，目标就是在普通笔记本上本地运行 256K Token 上下文窗口，支持 140+ 种语言内置 Thinking 模式（逐步推理）和原生 Function Calling

Google 发布 Gemma 4 12B 开源模型 16GB 笔记本跑全模态 AI Gemma 4 12B 采用了一种叫"Unified"的无编码器架构，让文字、图像、音频、视频四种输入直接进入同一个 Transformer 主干网络处理。模型可直接处理原始的图像和声音用一个类比讲清楚传统多模态模型处理图片和音频的方式，类似于一个只会中文的老板配了两个翻译：一个英文翻译（视觉编码器），一个日文翻译（音频编码器）。每次有英文或日文材料进来，必须先让翻译转成中文，老板才能看懂。翻译本身占工位（显存），翻译过程要排队等（延迟），而且老板拿到的是翻译加工过的版本，不是原文。 Gemma 4 12B 做的事情是：把两个翻译都裁了，让老板自己学会了直接看英文和日文。几个关键数字： 16GB 显存或统一内存能跑，4-bit 量化低到 8GB，目标就是在普通笔记本上本地运行 256K Token 上下文窗口，支持 140+ 种语言内置 Thinking 模式（逐步推理）和原生 Function Calling

小互

57,463 次观看 • 2 个月前

阿里刚刚发布了：Qwen3.5-Omni，原生全模态，自然涌现出Audio-Visual Vibe Coding能力也就是说它能看着画面写代码，给它看一段界面需求视频，它能直接生成对应代码，不是专门训练来的，模型自己学会的好比说你看一眼就会了，AI也做到了 Qwen3.5-Omni能无缝理解文本、图片、音频/音视频输入，支持细粒度、带时间戳的音视频Caption生成支持256K上下文、113种语言识别，能处理10小时音频或1 小时视频原生支持WebSearch和复杂Function Call 支持语义打断、音色克隆及语音控制给了Plus、Flash、Light三个版本 #Qwen35Omni #LLM

阿里刚刚发布了：Qwen3.5-Omni，原生全模态，自然涌现出Audio-Visual Vibe Coding能力也就是说它能看着画面写代码，给它看一段界面需求视频，它能直接生成对应代码，不是专门训练来的，模型自己学会的好比说你看一眼就会了，AI也做到了 Qwen3.5-Omni能无缝理解文本、图片、音频/音视频输入，支持细粒度、带时间戳的音视频Caption生成支持256K上下文、113种语言识别，能处理10小时音频或1 小时视频原生支持WebSearch和复杂Function Call 支持语义打断、音色克隆及语音控制给了Plus、Flash、Light三个版本 #Qwen35Omni #LLM

AIGCLINK

50,637 次观看 • 4 个月前

电脑里存放着大量文档、图片和 PDF，有时候想找某个资料都想不起来存放在哪个文件夹，很是苦恼。不妨试试，利用 Second Brain 这个开源工具，把我们的本地文件变成一个可搜索的 RAG 知识库。通过自然语言或关键词来搜索内容，支持文本和图片的多模态搜索，还能结果本地 AI 模型进行智能问答。 GitHub：主要特性： - 语义搜索和关键词搜索结合，精准找到相关内容； - 支持文本和图片的多模态搜索与嵌入； - 支持的文件类型，包括 txt、pdf、docx、png、gif 等多种格式； - 可选 AI 模式，支持本地模型和 OpenAI 云端模型； - 检索增强生成（RAG）让 AI 基于知识库给出高质量回答； - 完全本地运行保护隐私，支持同步 Google Drive。支持使用 LM Studio 与本地部署的大模型结合使用，可处理超过 10 万个文件，所有数据均在本地处理。

电脑里存放着大量文档、图片和 PDF，有时候想找某个资料都想不起来存放在哪个文件夹，很是苦恼。不妨试试，利用 Second Brain 这个开源工具，把我们的本地文件变成一个可搜索的 RAG 知识库。通过自然语言或关键词来搜索内容，支持文本和图片的多模态搜索，还能结果本地 AI 模型进行智能问答。 GitHub：主要特性： - 语义搜索和关键词搜索结合，精准找到相关内容； - 支持文本和图片的多模态搜索与嵌入； - 支持的文件类型，包括 txt、pdf、docx、png、gif 等多种格式； - 可选 AI 模式，支持本地模型和 OpenAI 云端模型； - 检索增强生成（RAG）让 AI 基于知识库给出高质量回答； - 完全本地运行保护隐私，支持同步 Google Drive。支持使用 LM Studio 与本地部署的大模型结合使用，可处理超过 10 万个文件，所有数据均在本地处理。

GitHubDaily

30,761 次观看 • 9 个月前

在制作播客或长篇有声小说，传统免费的文本转语音工具往往只能合成几分钟语音，而且多人对话听起来很僵硬不自然，缺乏真实感。最近微软开源了一个文本转语音模型：VibeVoice，可直接生成长达 90 分钟的自然多人对话音频。不仅能处理超长文本，还支持最多 4 个不同说话人的自然对话，甚至能根据内容自动添加背景音乐和音效。 GitHub：主要特性： - 可生成长达 90 分钟的连续语音内容，远超传统工具 - 支持最多 4 个说话人的自然多人对话 - 智能添加背景音乐和音效，增强沉浸感 - 跨语言合成，支持中英文混合语音生成 - 支持歌唱能力，能根据歌词自动生成旋律 - 提供 1.5B 和 7B 两个版本，满足不同性能需求，可通过 Docker 快速部署，并提供了 Gradio 可视化操作界面，轻松上手使用。

在制作播客或长篇有声小说，传统免费的文本转语音工具往往只能合成几分钟语音，而且多人对话听起来很僵硬不自然，缺乏真实感。最近微软开源了一个文本转语音模型：VibeVoice，可直接生成长达 90 分钟的自然多人对话音频。不仅能处理超长文本，还支持最多 4 个不同说话人的自然对话，甚至能根据内容自动添加背景音乐和音效。 GitHub：主要特性： - 可生成长达 90 分钟的连续语音内容，远超传统工具 - 支持最多 4 个说话人的自然多人对话 - 智能添加背景音乐和音效，增强沉浸感 - 跨语言合成，支持中英文混合语音生成 - 支持歌唱能力，能根据歌词自动生成旋律 - 提供 1.5B 和 7B 两个版本，满足不同性能需求，可通过 Docker 快速部署，并提供了 Gradio 可视化操作界面，轻松上手使用。

GitHubDaily

44,513 次观看 • 11 个月前

GPT-Realtime-2 语音模型发布语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

GPT-Realtime-2 语音模型发布语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

小互

31,189 次观看 • 3 个月前

Flux3真的很强！终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里主打图像、视频、音频和动作预测的统一架构。它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

Flux3真的很强！终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里主打图像、视频、音频和动作预测的统一架构。它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

huangserva

28,605 次观看 • 27 天前