Miso 开源语音模型 Miso One：8B 参数，延迟仅 110 毫秒
Miso 开源了 80 亿参数的语音生成模型 Miso One。官方称其为全球情绪最丰富的声音模型，具备高度拟真的人类情感表达，且延迟仅 110 毫秒，响应速度比人类对话还快。目前模型权重已公开，官方 API 即将上线。
开源项目
Llama、通义千问、DeepSeek 等开源大模型的新版本，以及值得一用的开源数据集、框架和开发工具。
查看更新的新闻
Google 开源 Gemma 4 12B：无编码器直连音频视觉，16GB 跑上笔记本
Google 开源无编码器多模态模型 Gemma 4 12B。它去掉了独立的视觉和音频编码器，直接将信号输入 LLM 主干，性能逼近 26B MoE 模型，显存占用却少了一半。普通用户仅需 16GB 内存的笔记本，就能在本地跑起多步推理的智能体。
nex-agi 开源推理模型 Nex-N2：专打智能体任务，还能按需动脑
nex-agi 开源智能体推理模型家族 Nex-N2。它基于 Qwen 3.5 后训练，推出 397B 和 35B 两个 MoE 版本，激活参数仅 17B 与 3B。关键在于自适应推理，简单动作快速执行，复杂决策深度思考，打通工具调用与执行闭环。
TripoSplat：单张 2D 图转 3D 高斯模型，代码极简还免装重度依赖
TripoAI 开源了 3D 工具 TripoSplat，单张 2D 图片就能转出最高 26 万个高斯点的 3D 资产。核心代码约 2000 行且免除复杂依赖，支持直接导入 ComfyUI；不过实测生成简单物体表现尚可，人物面部目前仍相当模糊。
JetBrains 开源 Mellum2：12B 混合专家模型，推理速度快 2 倍
JetBrains 发布 12B 参数的开源混合专家模型 Mellum2，采用 Apache 2.0 协议。模型每个 token 仅激活 2.5B 参数，推理速度较同体量开源模型提升超 2 倍，专门针对路由、RAG 和子智能体等低延迟软件工程工作流优化。
开源前端设计工具 Impeccable 3.5：按模型专治「AI 味」，支持代码实时直改
开源前端设计工具 Impeccable 发布 3.5 版本。团队针对 AI 生成 UI 普遍存在的米色背景、极端字间距等缺陷，为不同模型分别编译专属修复规则，并上线浏览器实时编辑的 Live 模式。这意味着开发者能直接在真实代码库中用自然语言或语音改界面，告别千篇一律的 AI 设计。
百度开源音视频模型 NAVA：63 亿参数，画面与声音原生同步
百度 ERNIE 团队开源音视频同步生成模型 NAVA，参数量仅 63 亿。它告别了先渲染画面再后期配音的路线，直接原生联合生成画面与双声道音频，支持参考音频控制音色。8 卡并行约 1 分钟即可生成 1 分钟 720p 音画同步视频。
MAMMA 开源：只需 4 台普通摄像机，搞定多人 3D 动作捕捉
马普所和 CMU 开源无标记动捕系统 MAMMA，仅用 4 台普通摄像机甚至手机拍摄的多视角视频，就能转成高精度 3D 人体模型。它无需穿戴任何物理标记点，能精准追踪跳舞、拥抱等复杂互动，还能做出《黑客帝国》同款子弹时间效果。代码与 Web UI 已在 GitHub 开放。
SANA-Streaming 开源：RTX 5090 上跑满 24 帧，一分钟视频实时修改
NVIDIA 开源视频编辑系统 SANA-Streaming，仅用 20 亿参数即可在播放过程中实时替换视频中的服装、背景与场景风格。借助混合注意力架构与算子优化，它在 RTX 5090 上实现 720p 分辨率下 24 FPS 端到端实时编辑，并保持原动作稳定。代码与权重已公开发布。
微软开源 Lens 3.8B 文生图模型：4 步极速出图，算力消耗不到两成
微软开源 3.8B 文生图模型 Lens 全部权重，包含 Base 与 Turbo 等版本。其蒸馏 Turbo 版仅需 4 步、0.84 秒即可出图，训练算力消耗仅为同类的 19.3%，最高支持 1440x1440 分辨率。独立开发者可借此获得轻量且专业级的图像生成流程。
Marlin 2B 开源：20 亿参数拿下视频事件定位，精准带时间戳
NemoStation 开源视频语言模型 Marlin 2B，基于 Qwen 3.5 2B 微调，遵循 Apache 2.0 协议。它主打回答视频里「发生了什么」与「何时发生」，能生成带时间戳的事件描述并精准定位起止点。其实测表现逼近部分闭源大模型，非常适合本地部署与视频结构化处理。
美团开源 LongCat Avatar 1.5：一张图加音频，8 步生成多人互动数字人
美团开源数字人视频模型 LongCat-Video-Avatar 1.5，只需一张参考图和一段音频，就能生成动作协调的说话视频。模型支持动漫与写实等多种风格，还攻克了多人对话场景，蒸馏后仅需 8 步生成，效率提升约 15 倍。16GB 的 INT8 权重与代码已开放下载。
开源 FPS 世界模型 SCOPE：支持 10 自由度手柄实时操控
研究团队开源了 FPS 交互式世界模型 SCOPE。它基于 Wan2.2 打造，支持移动与开火等 10 自由度控制，能将连续按键操作直接生成为连贯的游戏画面，并支持未知场景的零样本迁移。目前模型权重、代码和数据集均已在 GitHub 开源。
Perplexity 开源 Bumblebee：只读排查本地依赖与 MCP 配置
Perplexity 开源内部安全扫描工具 Bumblebee。它采用纯只读机制，绝不调用包管理器或执行安装脚本，能排查开发者电脑上的风险依赖、代码插件以及 MCP 等 AI 智能体配置。最值得关注的是，它彻底杜绝了扫描过程本身触发恶意攻击的隐患。
ASASR：基于 FLUX 的图像超分工具，4 倍放大且不生幻觉细节
ASASR 是一款开源图像超分辨率工具，基于 FLUX.1-dev 实现 4 倍高清重建，重点解决传统生成式放大中凭空捏造细节与伪影的问题。它采用对齐频域结构的对抗 DPO 优化，提供双 LoRA 推理方案。目前代码与权重已开源，并在 Hugging Face 上线了在线 Demo。
微软发布 MagenticLite：让小模型串起浏览器与本地文件操作
Microsoft 推出专为小模型设计的实验性智能体应用 MagenticLite。它能在单一工作流中联动浏览器与本地文件系统，由 14B 调度模型 MagenticBrain 和专攻网页操作的 Fara1.5 协同驱动。这意味着端侧小模型也能低成本完成复杂代理任务。
字节跳动开源 Bernini：一套架构搞定视频生成与精准编辑
字节跳动开源统一视频框架 Bernini，将多模态语义规划器与 DiT 渲染器结合。它支持文本、图像和视频混合输入，单模型覆盖文生视频与视频编辑等多项任务。最值得关注的是，它先规划语义再生成画面，让 AI 视频编辑更精准可控；完整推理代码与模型权重均已放出。
腾讯开源多语言翻译模型 Hy-MT2：1.8B 量化后仅 440MB
腾讯开源多语言翻译模型 Hy-MT2，提供 1.8B、7B 和 30B-A3B 三种规格，支持 33 种语言。其中 1.8B 版本经 AngelSlim 1.25-bit 极限量化后仅 440MB，极度利好端侧部署。该模型主打可控翻译与指令遵循，支持术语统一并可保留 JSON 等结构化格式，适合出海本地化与字幕翻译。
Mega ASR 开源：专啃嘈杂烂音频，不到 5GB 消费级显卡就能跑
语音识别模型 Mega ASR 正式发布，专攻真实环境下的抗噪转录。它通过 260 万个样本覆盖混响、削波与遮挡等问题，在恶劣声学条件下比主流模型提升近 30%。整体不到 5GB 并开放微调脚本，大多数消费级显卡就能在本地运行。
字节开源统一模型 Lance：图像与视频的理解、生成、编辑全打通
字节跳动开源统一多模态模型 Lance，激活参数 30 亿，同时支持图像与视频的理解、生成及编辑。最关键的是，它不仅能看懂画面，还能通过多轮对话连续修改视频。不过本地运行门槛较高，至少需要一块 40GB 显存的 GPU。