Miso 開源語音模型 Miso One：8B 引數，延遲僅 110 毫秒
Miso 開源了 80 億引數的語音生成模型 Miso One。官方稱其為全球情緒最豐富的聲音模型，具備高度擬真的人類情感表達，且延遲僅 110 毫秒，響應速度比人類對話還快。目前模型權重已公開，官方 API 即將上線。
開源專案
Llama、通義千問、DeepSeek 等開源大模型的新版本，以及值得一用的開源資料集、框架和開發工具。
檢視更新的新聞
Google 開源 Gemma 4 12B：無編碼器直連音訊視覺，16GB 跑上筆記本
Google 開源無編碼器多模態模型 Gemma 4 12B。它去掉了獨立的視覺和音訊編碼器，直接將訊號輸入 LLM 主幹，效能逼近 26B MoE 模型，視訊記憶體佔用卻少了一半。普通使用者僅需 16GB 記憶體的筆記本，就能在本地跑起多步推理的智慧體。
nex-agi 開源推理模型 Nex-N2：專打智慧體任務，還能按需動腦
nex-agi 開源智慧體推理模型家族 Nex-N2。它基於 Qwen 3.5 後訓練，推出 397B 和 35B 兩個 MoE 版本，啟用引數僅 17B 與 3B。關鍵在於自適應推理，簡單動作快速執行，複雜決策深度思考，打通工具呼叫與執行閉環。
TripoSplat：單張 2D 圖轉 3D 高斯模型，程式碼極簡還免裝重度依賴
TripoAI 開源了 3D 工具 TripoSplat，單張 2D 圖片就能轉出最高 26 萬個高斯點的 3D 資產。核心程式碼約 2000 行且免除複雜依賴，支援直接匯入 ComfyUI；不過實測生成簡單物體表現尚可，人物面部目前仍相當模糊。
JetBrains 開源 Mellum2：12B 混合專家模型，推理速度快 2 倍
JetBrains 釋出 12B 引數的開源混合專家模型 Mellum2，採用 Apache 2.0 協議。模型每個 token 僅啟用 2.5B 引數，推理速度較同體量開源模型提升超 2 倍，專門針對路由、RAG 和子智慧體等低延遲軟體工程工作流最佳化。
開源前端設計工具 Impeccable 3.5：按模型專治「AI 味」，支援程式碼即時直改
開源前端設計工具 Impeccable 釋出 3.5 版本。團隊針對 AI 生成 UI 普遍存在的米色背景、極端字間距等缺陷，為不同模型分別編譯專屬修復規則，並上線瀏覽器即時編輯的 Live 模式。這意味著開發者能直接在真實程式碼庫中用自然語言或語音改介面，告別千篇一律的 AI 設計。
百度開源音影片模型 NAVA：63 億引數，畫面與聲音原生同步
百度 ERNIE 團隊開源音影片同步生成模型 NAVA，引數量僅 63 億。它告別了先渲染畫面再後期配音的路線，直接原生聯合生成畫面與雙聲道音訊，支援參考音訊控制音色。8 卡並行約 1 分鐘即可生成 1 分鐘 720p 音畫同步影片。
MAMMA 開源：只需 4 臺普通攝像機，搞定多人 3D 動作捕捉
馬普所和 CMU 開源無標記動捕系統 MAMMA，僅用 4 臺普通攝像機甚至手機拍攝的多視角影片，就能轉成高精度 3D 人體模型。它無需穿戴任何物理標記點，能精準追蹤跳舞、擁抱等複雜互動，還能做出《駭客帝國》同款子彈時間效果。程式碼與 Web UI 已在 GitHub 開放。
SANA-Streaming 開源：RTX 5090 上跑滿 24 幀，一分鐘影片即時修改
NVIDIA 開源影片編輯系統 SANA-Streaming，僅用 20 億引數即可在播放過程中即時替換影片中的服裝、背景與場景風格。藉助混合注意力架構與運算元最佳化，它在 RTX 5090 上實現 720p 解析度下 24 FPS 端到端即時編輯，並保持原動作穩定。程式碼與權重已公開發布。
微軟開源 Lens 3.8B 文生圖模型：4 步極速出圖，算力消耗不到兩成
微軟開源 3.8B 文生圖模型 Lens 全部權重，包含 Base 與 Turbo 等版本。其蒸餾 Turbo 版僅需 4 步、0.84 秒即可出圖，訓練算力消耗僅為同類的 19.3%，最高支援 1440x1440 解析度。獨立開發者可藉此獲得輕量且專業級的影像生成流程。
Marlin 2B 開源：20 億引數拿下影片事件定位，精準帶時間戳
NemoStation 開源影片語言模型 Marlin 2B，基於 Qwen 3.5 2B 微調，遵循 Apache 2.0 協議。它主打回答影片裡「發生了什麼」與「何時發生」，能生成帶時間戳的事件描述並精準定位起止點。其實測表現逼近部分閉源大模型，非常適合本地部署與影片結構化處理。
美團開源 LongCat Avatar 1.5：一張圖加音訊，8 步生成多人互動數字人
美團開源數字人影片模型 LongCat-Video-Avatar 1.5，只需一張參考圖和一段音訊，就能生成動作協調的說話影片。模型支援動漫與寫實等多種風格，還攻克了多人對話場景，蒸餾後僅需 8 步生成，效率提升約 15 倍。16GB 的 INT8 權重與程式碼已開放下載。
開源 FPS 世界模型 SCOPE：支援 10 自由度手柄即時操控
研究團隊開源了 FPS 互動式世界模型 SCOPE。它基於 Wan2.2 打造，支援移動與開火等 10 自由度控制，能將連續按鍵操作直接生成為連貫的遊戲畫面，並支援未知場景的零樣本遷移。目前模型權重、程式碼和資料集均已在 GitHub 開源。
Perplexity 開源 Bumblebee：只讀排查本地依賴與 MCP 配置
Perplexity 開源內部安全掃描工具 Bumblebee。它採用純只讀機制，絕不呼叫包管理器或執行安裝指令碼，能排查開發者電腦上的風險依賴、程式碼外掛以及 MCP 等 AI 智慧體配置。最值得關注的是，它徹底杜絕了掃描過程本身觸發惡意攻擊的隱患。
ASASR：基於 FLUX 的影像超分工具，4 倍放大且不生幻覺細節
ASASR 是一款開源影像超解析度工具，基於 FLUX.1-dev 實現 4 倍高畫質重建，重點解決傳統生成式放大中憑空捏造細節與偽影的問題。它採用對齊頻域結構的對抗 DPO 最佳化，提供雙 LoRA 推理方案。目前程式碼與權重已開源，並在 Hugging Face 上線了線上 Demo。
微軟釋出 MagenticLite：讓小模型串起瀏覽器與本地檔案操作
Microsoft 推出專為小模型設計的實驗性智慧體應用 MagenticLite。它能在單一工作流中聯動瀏覽器與本地檔案系統，由 14B 排程模型 MagenticBrain 和專攻網頁操作的 Fara1.5 協同驅動。這意味著端側小模型也能低成本完成複雜代理任務。
字節跳動開源 Bernini：一套架構搞定影片生成與精準編輯
字節跳動開源統一影片框架 Bernini，將多模態語義規劃器與 DiT 渲染器結合。它支援文本、影像和影片混合輸入，單模型覆蓋文生影片與影片編輯等多項任務。最值得關注的是，它先規劃語義再生成畫面，讓 AI 影片編輯更精準可控；完整推理程式碼與模型權重均已放出。
騰訊開源多語言翻譯模型 Hy-MT2：1.8B 量化後僅 440MB
騰訊開源多語言翻譯模型 Hy-MT2，提供 1.8B、7B 和 30B-A3B 三種規格，支援 33 種語言。其中 1.8B 版本經 AngelSlim 1.25-bit 極限量化後僅 440MB，極度利好端側部署。該模型主打可控翻譯與指令遵循，支援術語統一併可保留 JSON 等結構化格式，適合出海本地化與字幕翻譯。
Mega ASR 開源：專啃嘈雜爛音訊，不到 5GB 消費級顯示卡就能跑
語音識別模型 Mega ASR 正式釋出，專攻真實環境下的抗噪轉錄。它通過 260 萬個樣本覆蓋混響、削波與遮擋等問題，在惡劣聲學條件下比主流模型提升近 30%。整體不到 5GB 並開放微調指令碼，大多數消費級顯示卡就能在本地執行。
位元組開源統一模型 Lance：影像與影片的理解、生成、編輯全打通
字節跳動開源統一多模態模型 Lance，啟用引數 30 億，同時支援影像與影片的理解、生成及編輯。最關鍵的是，它不僅能看懂畫面，還能通過多輪對話連續修改影片。不過本地執行門檻較高，至少需要一塊 40GB 視訊記憶體的 GPU。