Google DeepMind 发布 Gemini Omni 1.2 Flash：支持15秒视频生成与多轮对话编辑
Google DeepMind 正式推出 Gemini Omni 1.2 Flash，并在 Gemini API 与 Gemini for business 上线可用。
推荐理由：新版本支持15秒原生视频与多轮对话编辑，并将720p生成成本降至每秒0.07美元，降低了规模化商业视频与广告变体的制作门槛。
精选
Google DeepMind精选AI 评分8383
Hugging Face Blog精选AI 评分7171 详解端侧文本转语音模型 Phonon TTS 及其基准测试表现
端侧文本转语音模型 Phonon TTS 实现了完全离线运行，模型体积仅约 65 MB 至 75 MB。英文版本 Phonon 31m 采用 Apache 2.0 开源协议支持商用，多语言版 Phonon 40m 支持 5 种语言。
推荐理由：原文展示了基于流匹配的极小端侧语音合成方案，读者可借此了解其在公开基准上的首包延迟表现与工程落地方法。
Hugging Face Blog精选AI 评分6666 Hugging Face 推出 AnySpeechRecognizer 与 AnyDecisionModel，支持在苹果平台端侧运行开源语音和决策模型
Hugging Face 推出 AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 开源包，支持在苹果设备端侧运行开源语音识别与决策模型。
推荐理由：原文提供了两套 Swift 库及端侧实现方案，开发者无需依赖纯文本生成即可在苹果设备上实现本地语音识别与结构化决策。
Hugging Face Blog精选AI 评分6969 IBM 发布 Granite Speech 5.0 系列语音模型
IBM 推出 Granite Speech 语音模型系列的三个更新，包括全新的 granite-speech-5.0-2b，以及升级版 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
推荐理由：原文给出了高精度、低延迟端侧和会议说话人归属三种模型选型，便于开发者评估替换成本。
已经到底了