Google 展示开发者用 Gemini 3.8 Flash 做的四个项目

Google 介绍开发者用 Gemini 3.8 Flash 构建的实验项目，包括卫星与轨道火箭路径模拟、将日本传统青海波纹样转成动态水墨画、用四阶段提示词生成霸王龙骨架，以及从零搭建自动变速箱交互模型。

Google 发布 Gemini 3.8 Live with Live Avatar

Google 发布 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与实时对话能力结合，为对话模型带来近实时的视觉形象。该功能支持精确唇形同步、自然表情与流畅轮次切换，并可在对话中异步调用工具、在后台获取数据。它支持 97 种语言的原生语音到语音同步，输出均带 SynthID 水印，现已在 Gemini Enterprise 提供，自定义形象仅限企业白名单申请。

Meta 发布 Muse Voice Transcribe 实时语音感知模型

Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首款实时音频感知模型，支持流式 ASR、20 人以上说话人分离和端点检测。模型原生支持任意中英混说，训练覆盖 70 多种语言，其中 25 种经过充分验证，并支持超过一小时的长音频输入。官方称其在 Artificial Analysis 流式语音转文字和公开说话人分离基准上排名第一。

Google 发布 Gemini Omni 1.1 Flash，强化生成视频控制能力

Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供场景延长、首尾帧插值、360p 快速预览和最高 4K 放大等生成视频控制能力，通过 Gemini API 在 Google AI Studio 上线。

Meta 发布 Muse Spark 1.2 多模态评测结果

Meta 公布 Muse Spark 1.2 的新评测结果与演示，展示其在视觉编码、图表理解、视觉推理和知识密集型任务上的表现，并称多模态提升在模型可调用工具时最明显。该模型支持将图像或视频转为可运行代码、面向机器人的空间智能与音视频理解，已上线 Meta Model API 和 Muse Code，官方同时预览了内部评测 WildArtifactBench 并放出 10 个任务。

MiniMax Hailuo 3.0 上线 Higgsfield：支持 2K、15 秒与原生立体声

MiniMax Hailuo 3.0 已在 Higgsfield 上线，相比 Hailuo 2.3 分辨率从 1080p 提升到 2K，单次生成时长从 10 秒延长到 15 秒，并首次在同一生成过程中输出原生立体声，包含对白、音效与环境音。

ByteDance Seed@ByteDanceSeed_精选AI 评分7878

字节跳动 Seed 发布新一代视频创作模型 Seedance 2.5，在长叙事、多模态参考和编辑能力上做了升级。该模型支持单次生成 30 秒高质量音视频片段，单次可输入最多 30 张图片、10 段视频和 10 段音频作为参考素材，并提供时间戳级控制以对音视频内容做定向编辑。项目主页为 https://seed.bytedance.com/seedance2_5。

Meta 发布 Muse Spark 1.1 多模态推理模型并开放 Meta Model API 预览

Meta Superintelligence Labs 发布 Muse Spark 1.1，这是 Muse Spark 的升级版多模态推理模型，面向智能体任务，在工具与电脑操作、编码和多模态理解上有明显提升。

OpenAI 发布 GPT-4o，免费向 ChatGPT 用户开放并推出语音视频模式

OpenAI 发布 GPT-4o，Sam Altman 表示已在 ChatGPT 中免费提供这一模型，且不含广告。他称新的语音与视频模式是自己用过最好的计算机界面，达到接近人类的响应速度和表现力，并提到后续会加入可选个性化、访问用户信息以及代为执行操作等能力。