欢迎阅读本期【AI日报】。今天的内容涵盖视频生成、语音合成、大模型、图像生成、具身智能训练平台，以及 AI 手机应用能力等多个方向的新进展。
新鲜AI产品点击了解：https://app..com/zh
今日重点
可灵 AI 发布「主体库」，为 O1 多模态视频模型补上长期记忆能力，重点改善角色一致性；阿里巴巴上线 Qwen3-TTS，支持 49 种音色、10 种语言和 9 种中国方言；腾讯、美团、京东云、英伟达、微博和微软也分别在大模型、图像生成、具身智能、AI 手机与实时语音模型方面带来更新。
1、可灵 AI上线主体库：模型加入记忆能力，角色不再频繁“变脸”
可灵 AI 推出「主体库」功能，用于增强 O1 多模态视频模型的长期记忆能力，主要解决视频生成中角色不稳定的问题。官方表示，角色一致性可提升至 96% 以上，从而减少 AI 视频里常见的“变脸”现象。用户只需上传一张角色图片，系统就能生成 3D 视角补全和多光线变体，并支持在不同场景中直接调用。
【提要:】
✨ 主体库采用上传、补全、调用三步流程，目的是提高角色一致性
🎨 AI 智能描述可自动提取关键词，帮助提升生成成功率
🚀 主体库与 O1 模型共用统一入口，串联文本、图像和视频生成流程
2、阿里 Qwen3-TTS 登场：49 种音色 + 10 种语言 + 9 种方言，语音生成表现领先
阿里巴巴正式上线 Qwen3-TTS。该模型支持零样本、多角色以及跨语言语音生成，在整体表现上优于主流商用引擎，可应用于教育、直播、客服等多类场景。
【提要:】
🎧 提供 49 种高品质音色，适配多样化使用需求
🌐 覆盖 10 种语言和 9 种中国方言
📉 WER 表现明显优于主流商用模型
详情链接:https://modelscope.cn/studios/Qwen/Qwen3-TTS-Demo
3、406B参数空降！腾讯混元2.0发布，推理性能自称“国内第一梯队”
腾讯发布新一代自研大模型混元 2.0，包含 Think 和 Instruct 两个版本，分别侧重推理能力与指令遵循能力。该模型在数学、科学、代码等复杂任务中表现突出，目前已接入腾讯云 API，并已在部分应用中落地。
【提要:】
🧠 混元 2.0 采用 MoE 架构，推理速度提升 40%
📊 Think 版在 IMO 和哈佛-MIT 竞赛中的准确率分别达到 83.1% 和 81.7%
💰 腾讯云 API 定价为 GPT-4o 的 45%，并支持企业私有化部署
4、美团开源 6B 参数图像生成模型 LongCat-Image，中文文字生成与图像编辑达到开源 SOTA
美团 LongCat 团队推出并开源 LongCat-Image 图像生成模型。该模型参数规模为 6B，在保持较低使用门槛的同时实现了较高性能，尤其在中文文字生成和图像编辑任务上表现突出，达到开源 SOTA 水平。LongCat-Image 通过系统性的训练策略和数据工程优化，即使面对多样化指令也能保持较好的执行效果与准确性。团队希望借助开源方式构建透明、开放、协作的生态，吸引开发者参与使用和共建。
【提要:】
🧠 LongCat-Image 在图像编辑方面达到开源 SOTA，具备较强的指令遵循和视觉一致性能力
🖋️ 模型针对中文文字生成做了优化，可支持复杂笔画结构汉字渲染
🎨 LongCat 团队通过开源推动透明、开放的生态建设，鼓励开发者参与模型共建与使用
详情链接:https://longcat.ai/
5、京东云JoyBuilder支持GR00T N1.5千卡训练，推动具身智能规模化落地
京东云 JoyBuilder 平台在完成全栈优化后，已经成功支持 GR00T N1.5 千卡级训练。平台训练效率提升 3.5 倍，有助于推动具身智能训练向更大规模落地。
【提要:】
🧠 京东云 JoyBuilder 平台完成关键升级，成功支撑 GR00T N1.5 千卡级训练
🚀 平台训练效率提升 3.5 倍，加快具身智能规模化落地
🌐 支持最新 LeRobot 训练数据协议，体现行业领先性
6、英伟达4B小模型逆袭！单任务成本仅为 GPT-5 Pro 的 1/36
英伟达 4B 小模型 NVARC 在最新 ARC-AGI2 评测中取得 27.64% 的成绩，并击败 GPT-5 Pro，显示出性能与成本上的双重优势。NVARC 采用零预训练方法和合成数据生成策略，增强了模型对新任务的适应能力和运行效率。
【提要:】
🧠 NVARC 使用零预训练深度学习方法，降低对传统大规模数据集的依赖
💡 NVARC 借助 GPT-OSS-120B 生成高质量合成谜题，减少实时计算资源需求
🚀 NVARC 的 TTFT 技术可帮助模型更快适配新任务规则，提高效率
7、微博 CEO 回应 AI 手机能自主发微博：仍需用户确认
微博 CEO 王高飞回应了豆包 AI 手机是否可以自主发微博的问题。他表示，该能力已经具备，但依然需要用户确认。与此同时，豆包 AI 手机在部分主流应用中遇到登录问题，也引发了外界对 AI 操作边界的讨论。王高飞还提到，一些游戏类应用可以识别 AI 控制行为，并对 AI 助手的使用进行限制。
【提要:】
🤖 微博 CEO 王高飞表示，AI 手机自行发微博已有相应能力，但仍需用户确认
📱 豆包 AI 手机在主流应用中遇到登录限制，引发对其操作能力的讨论
⚙️ 目前 AI 助手在部分应用中仍需手动操作，体现出技术发展中的限制与挑战
8、微软推出 VibeVoice-Realtime：实时文本转语音新模型，面向互动式应用
微软发布 VibeVoice-Realtime-0.5B，这是一款轻量级实时文本转语音（TTS）模型，支持流式文本输入和长篇语音输出。该模型可在 300 毫秒内开始生成语音，适合代理式应用和实时数据讲述等交互场景。模型采用交错窗口设计，以降低延迟并提升语音合成质量，在 LibriSpeech 测试中的字错误率为 2.00%。
【提要:】
🌟 支持流式文本输入，可在 300 毫秒内开始输出语音，适合实时交互应用
🛠️ 使用低延迟声学标记器，以 7.5 赫兹速度生成声学特征，优化长篇语音合成
📈 在 LibriSpeech 测试中，VibeVoice-Realtime 字错误率为 2.00%，可适用于多种场景
详情链接:https://huggingface.co/microsoft/VibeVoice-Realtime-0.5B
一句话总结
本期 AI 日报的重点集中在多模态生成、语音合成、模型推理和具身智能训练能力的升级，多家厂商也在从模型能力、应用入口与部署成本等维度推动 AI 产品落地。