跳到正文
11月4日周三
  1. AWS Machine Learning Blog47

    在 AWS 上构建超低延迟语音 AI 应用:Cartesia 的 SSM 架构方案

    Cartesia 借助状态空间模型(SSM)与 AWS 基础设施,构建了实现首字节延迟低于 100ms 的超低延迟语音 AI 方案。该技术栈包含首字节延迟约 90ms、支持 44 种以上语言及 10 秒音频克隆的 TTS 模型 Sonic,以及支持原生轮换检测的 STT 模型 Ink。开发者可通过 API 调用或直接在 AWS 上部署该方案。

10月28日周三
  1. Google DeepMind72

    Google DeepMind 发布 Genie 4 世界模型,支持原生音频与实时交互模拟

    Google DeepMind 发布世界模型 Genie 4,增强实时交互模拟的逼真度,支持原生音频、动态对话和自然语言实时修改场景。Gemini 3.8 Flash 在模拟过程中持续观察画面、拆解目标并检查步骤完成情况;模型目前仍存在物体持久性、复杂物理交互和长期一致性等限制。

    推荐理由:Gemini 负责规划与校验、Genie 负责实时生成感官场景的分工,为理解语言模型与世界模拟如何协作提供了具体案例。