昆仑元AI在2025世界计算大会上发布全模态融合模型BaiZe-Omni-14b-a2b，基于昇腾平台，具备文本、音频、图像和视频的理解与生成能力。采用模态解耦编码、统一跨模态融合和双分支功能设计等创新架构，推动多模态应用发展。模型流程包括输入处理、模态适配、融合、核心功能和输出解码。
Quora旗下AI平台Poe推出群聊功能，支持最多200人同时与多种AI模型互动，涵盖文本、图像、视频和音频生成。此举与OpenAI的ChatGPT群聊试点同步，推动AI交互变革，增强用户与亲友或同事的协作交流。
AI音频公司ElevenLabs与奥斯卡得主Matthew McConaughey、Michael Caine达成语音克隆合作，将其AI声线纳入新平台“Iconic Voice Marketplace”。该平台已收录超25位名人语音，提供合法授权使用渠道。McConaughey作为公司投资人，将利用自身声音参与项目。
StepFun AI发布开源项目Step-Audio-EditX，基于30亿参数音频语言模型，将语音编辑转化为类似文本标记的可控操作，突破传统波形处理模式。该技术有望实现"像编辑文本一样编辑语音"的直观交互，相关论文已发布于arXiv平台（编号2511.03601）。
Sora2 AI平台将想法转化为逼真视频，含同步音频和特效，创作轻松
Sora 2是AI视频与音频生成平台，可依文本生成带声音的逼真视频
AI音频广告制作平台，为市场营销人员、品牌和代理商提供便捷的广告创建、团队协作、定位客户、分发和像素分析。免费创建，发布付费。
Zarin是首个开源AI平台，集成了200多个热门和最新的AI多模型，可生成图片、视频、音频、代码、学术论文等。
Anthropic
$7
Input tokens/M
$35
Output tokens/M
200
Context Length
Google
$2.1
$17.5
1k
Alibaba
-
Baidu
128
Bytedance
Tencent
$2
$105
$525
32
Carla MCP服务器是一个专业的音频制作AI控制平台，通过45个工具提供完整的音频插件宿主控制，支持自然语言操作专业音频工作流程
一个为AI代理提供音频播放功能的MCP服务器，可在编码任务完成时播放提示音，支持自定义音频和智能回退机制，目前主要支持macOS平台。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
