MiniMax 发布开放权重音乐生成模型 MiniMax Music 3，已接入 ComfyUI
MiniMax 发布开放权重音乐生成模型 MiniMax Music 3，并已在 ComfyUI 上线。
推荐理由：可了解开放权重音乐生成模型的架构分工与结构化控制方式，为音乐生成选型和创作流程提供参考。
音频与数字人
全部主题声音、音乐、配音、数字人和多语言制作。
69条精选
最新精选
第 21–40 条 · 共 69 条ComfyUI · 工作流与实践精选AI 评分7474
Hugging Face Blog精选AI 评分6565 NVIDIA 发布 Magpie TTS 多语言开源权重模型，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多种既有语言的质量。
推荐理由：原文给出 364M 开源权重模型的多语言覆盖与 TTFA 实测数据，可供语音 Agent 选型时比较自部署延迟与可控性。
ComfyUI · Releases精选AI 评分7878 ComfyUI v0.31.0 更新，新增 Wan-Animate2、Flux 3 视频和 SeeDance 2.5 支持
ComfyUI 发布 v0.31.0，新增 Wan-Animate2、Flux 3 视频模型和 SeeDance 2.5 支持，并改进多项 MiniMax H3 与音频处理。版本还加入 ImageCompositor 节点、Bloom 2 和 Wonder 3.5 支持，并对 LTX、Wan 做加速；同时修复 Linux 内存、采样器和 MiniMax H3 相关问题。
推荐理由：该版本集中带来视频、图像合成与音频处理更新，读者可据新增节点、模型接入和性能修复安排升级。
ComfyUI · 工作流与实践精选AI 评分7878 FLUX 3 Video 通过 ComfyUI Partner Nodes 上线
Black Forest Labs 的 FLUX 3 Video 已在 ComfyUI 通过 Partner Nodes 提供，目前上线的是视频生成，开放权重即将推出。
推荐理由：FLUX 3 Video 通过 ComfyUI Partner Nodes 上线，可据此判断原生音画同出与多风格视频在现有工作流中的接入方式。
ByteDance Seed · 音频与多模态交互精选AI 评分8383 字节 Seed 发布 SeedRealtime 音视频全双工大模型，已在豆包 App 全量上线
字节 Seed 正式推出原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持在连续多模态流上实时交互。官方称端到端人工评测中，相比级联模型音视频对话节奏问题减少一半，单次对话顺畅完整交流的概率明显提升。该模型已在豆包 App 全量上线，更新后在对话框选择打电话进入视频通话即可体验。
推荐理由：官方披露了统一架构、端到端评测口径与豆包全量上线入口，可据此判断全双工音视频交互的落地形态。
Black Forest Labs · 图像与视频精选AI 评分8080 Black Forest Labs 发布 FLUX 3 Video，支持文生视频与图生视频
Black Forest Labs 通过 BFL API 和部分合作方开放 FLUX 3 Video 生成能力的初始版本，可生成最长 20 秒的 HD 视频并同步生成原生音频，Full HD 通过超分输出。
推荐理由：官方给出 FLUX 3 Video 的生成能力、分辨率与草稿模式，可据此判断多模态视频生成在创作流程中的可用边界。
ComfyUI · 工作流与实践精选AI 评分8989 MiniMax H3 发布并获 ComfyUI Day-0 支持，开放权重支持原生音频与 2K 视频
MiniMax H3 今日发布开放权重，并在 ComfyUI 中获得 Day-0 原生支持，可接收文本、图像、视频或音频，生成带立体声的 2K、最长 15 秒视频。
推荐理由：文章把 H3 的多模态输入、原生立体声和 ComfyUI 本地运行路径放在一起，并给出显存缩减与工作流入口，便于评估视频创作部署成本。
Google DeepMind精选AI 评分6060 Google DeepMind 在 Flow Music 发布音乐生成模型 Lyria 3.5
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并即日起在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循、结构感知更好，人声更具表现力和情感且发音改善，并可更便捷地控制输出节奏与时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与节奏控制上的具体改进方向，可供音乐生成工具选型参考。
ElevenLabs · 音频创作精选AI 评分7272 ElevenLabs介绍以语音AI扩大选举信息可及性并防范滥用
ElevenLabs介绍其在2026年选举周期中利用语音AI扩大公共信息可及性，并防范误导和滥用的工作。巴西最高选举法院将为“Electoral Assistant”加入语音交互，ElevenLabs还将为Comprova合作方提供AI Speech Classifier等检测工具培训。
推荐理由：文章梳理了语音 AI 在选举信息无障碍传播中的落地方式，以及语音克隆拦截、验证码、内容审核和水印等治理措施。
Black Forest Labs · 图像与视频精选AI 评分7878 Black Forest Labs 发布多模态基础模型 FLUX 3，进入 Early Access
Black Forest Labs 发布多模态基础模型 FLUX 3，进入 Early Access，联合学习图像、视频和音频，可混合模态生成图像与带音频的视频，单次生成视频最长 20 秒。
推荐理由：FLUX 3 把图像、视频、音频与动作预测放进同一架构，并给出与多家视频模型的早期对比，可供多模态选型参考。
ByteDance Seed · 音频与多模态交互精选AI 评分7777 字节 Seed 发布音频创作模型 Seed Audio 1.0
字节 Seed 发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，端到端生成完整声音场景，并已在火山方舟体验中心上线。模型支持一条 prompt 编排对白、音效与环境声，时间控制精度达 100ms，支持零样本音色生成与参考音频延展，单次可生成约 2 分钟音频并继续延长以保持角色一致性。
推荐理由：官方披露了统一建模多要素音频、100ms 时间控制与 20+ 语种等能力，可据此判断其在配音与多语种内容生产中的可用边界。
Hugging Face Blog精选AI 评分7979 Hugging Face 发布 Real World VoiceEQ 语音 AI 人类质量基准
Real World VoiceEQ 评估语音 AI 的人类交互质量，覆盖 40 多个专有和开源语音模型、15 多个维度及 60 多项指标。该基准基于超过 1 million 个人类评分，涵盖 ASR、TTS、S2S 和语音理解，结果显示不同模型在技术准确性、情绪理解、表达力与鲁棒性之间存在明显专长差异。
推荐理由：该基准将语音模型评测从 WER 和延迟扩展到情绪、身份与背景声等人类感知维度，可帮助定位真实对话中的听辨与回应短板。
ElevenLabs · 音频创作精选AI 评分6161 ElevenLabs 在加拿大正式开展业务并计划扩大团队
ElevenLabs 宣布在加拿大正式开展业务，任命 Max Lemmens 为加拿大总经理，并计划在今年将当地团队规模扩大一倍、在多伦多开设首个加拿大办公室。公司称其在加拿大已有 30,000 名用户，TELUS Digital 使用其 AI 语音智能体进行员工培训后将入职培训时间缩短了 20%。
推荐理由：这次加拿大布局同时给出用户规模、团队扩张和本地案例，可用于观察语音 AI 的企业落地路径。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 接入实时语音 AI
Hugging Face 与 Cerebras 演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 推理，串联 Nvidia Parakeet 语音识别与阿里 Qwen3TTS 语音合成。
推荐理由：展示了开源级联语音到语音栈的模块化组合方式，可借鉴其用快速推理压低长尾延迟的思路。
ElevenLabs · 音频创作精选AI 评分7171 ElevenLabs 在 ElevenCreative 推出 Ads Engine，主打广告本地化
ElevenLabs 在 ElevenCreative 内推出 Ads Engine，首个能力是广告本地化，可接入 Google Ads 和 Meta Ads 账号，拉取现有素材与投放数据，同时完成文本翻译、图像适配和视频配音，再把本地化版本推回 Google、Meta 和 LinkedIn。
推荐理由：官方披露广告本地化引擎的接入方式与工作流，可据此判断多语言投放的素材生产与审片环节如何变化。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续语音翻译的延迟取舍与多产品开放节奏，可据此判断实时语音翻译的选型与接入时机。
ElevenLabs · 音频创作精选AI 评分7070 ElevenLabs 与英国政府签署语音 AI 合作协议并扩大伦敦总部
ElevenLabs 与英国科学、创新与技术部（DSIT）签署谅解备忘录，探索将语音 AI 用于公共服务可及性、AI 安全研究和人才培养。ElevenLabs 今年将在伦敦启用一座面积为现有办公室三倍的新总部，并将英国员工数量翻倍至 200 人；合作还将借助 ElevenLabs for Government 推进相关公共部门项目。
推荐理由：这项合作同时覆盖公共服务可及性、AI 安全研究和人才培养，并给出英国团队扩张规模，可供观察语音 AI 的政务落地路径。
ElevenLabs · 音频创作精选AI 评分8585 ElevenLabs 在 ElevenCreative 推出 Flows Agent
ElevenLabs 在 ElevenCreative 推出 Flows Agent，将对话式 AI 助手接入 Flows 画布，自动选择模型、创建并连接节点，执行图像、视频和音频生成流程。它支持通过对话修改已有流程，并可在高成本生成前请求确认；复杂工作流也能在后台运行，现已在 ElevenCreative 提供使用。
推荐理由：它把多模态节点编排、生成执行和变体迭代合并到对话入口，可用于判断创作流程如何降低试错与额度控制成本。
ElevenLabs · 音频创作精选AI 评分8282 ElevenLabs 发布 Dubbing v2，支持保留原始表演的多语言配音
ElevenLabs 发布 Dubbing v2，通过直接参考原始表演，将语气、节奏、情绪和表达方式迁移到 90+ 种语言中。
推荐理由：Dubbing v2将原始表演纳入配音生成并自动对齐节奏，为多语言视频本地化提供了更完整的工作流参考。
ElevenLabs · 音频创作精选AI 评分6767 ElevenLabs与希腊政府签署语音 AI 战略合作备忘录
ElevenLabs与希腊政府签署战略合作备忘录，将探索把语音 AI 应用于公共服务、数字旅游和希腊语言遗产保护。双方计划先从克里特方言开始，并研究在gov.gr及政府呼叫中心提供多语言服务；希腊政府数字门户目前提供超过2,200项服务。
推荐理由：三条合作路径覆盖公共服务、旅游和方言保存，可帮助判断语音 AI 走向政府场景的部署边界与合作模式。