新一代同声传译大模型Qwen3.8-LiveTranslate全面升级翻译质量、延迟、说话人识别和语音合成。采用音频-文本交织Interleave架构,将流式理解、文本输出与语音生成整合为单条因果序列,字均延迟从2.8秒压缩至2.3秒。新增实时说话人分离,多人交替发言归属清晰,译文语音可稳定保留原说话人音色。
OpenAI推出全双工语音模型GPT-Live-1,采用单一模型架构取代传统“语音转文字—推理—文字转语音”级联流程,显著降低延迟,实现类人流畅交互。该模型已上线API,面向开发者,能更稳健应对停顿、打断和话题转换等复杂对话场景。
英伟达发布首款开源端到端全双工语音对话模型NemotronLabs VoiceChat11B,用单一网络直接完成流式语音理解与生成,取代传统ASR、LLM、TTS分步架构,实现实时语音交互突破。
Black Forest Labs发布FLUX3多模态基础模型,采用统一架构联合学习图像、视频和音频。基于Self-Flow自监督流匹配框架,在FLUX系列基础上扩展多模态生成与理解。支持文生视频、图生视频,单次生成最长20秒视频并原生输出同步音频,性能全面超越前代。
Alibaba
$2
Input tokens/M
$20
Output tokens/M
-
Context Length
Xai
$1.4
$10.5
256
Openai
$0.35
$2.8
400
Anthropic
$21
$105
200
Google
$0.7
131
Minimax
$1
$8
128
Baidu