这个国庆假期可真热闹，大家休假的同时，圈儿里发生了好多大事，从Meta的LIama3.2发布到谷歌的NotebookLM音频概述，再到Meta的Movie Gen。别急，请两位AI主播给大家娓娓道来。ASLP语音生成大模型提供高保真（48K）音质，超拟人语音对话。
点击播放（AI Podcast）：
男：国庆假期你去哪儿玩了啊？
女：我去西安了，哎人是真的多，感觉就像全国的人都跑那儿去了。
男：哈哈，假期还没爽够呢，这不又得回来继续卷了。
女：最近圈里有啥大事儿吗？嗯，上次我那个朋友休假一周，结果回来一堆大新闻，我现在都不敢休假了。
男：哎，你这可真是问对人了！这个国庆是热闹得不行啊，我跟你慢慢说哈。
女：赶紧赶紧，来点儿猛料！
男：那个，LIama 3.2发布了，嗯，最大的亮点就是，它是羊驼家族里第一个支持多模态能力的模型。
女：哦，我前两天好像听人提过，那个，这次好像还加了语音功能，而且选项挺多的。发布会上小扎还强调说“语音比文字更自然，效果也好很多。”
男：嗯，没错！这是绝对为了和那个4O竞争，啊，听说挺厉害的。
女：据说微软和谷歌这边也没闲着啊，微软的 Copilot 也升级了 ，现在也有了语音对话功能了。
男：是啊，这是扎堆儿发布啊。现在语音交互可是巨头们都要抢的一块宝地儿啊！
女：对对对，那个，Open AI 这边也没闲着，他们开发者日发布了四大更新，嗯，实时接口、视觉微调、模型蒸馏、指令缓存啥的。
男：哦？那个实时接口是啥东西？
女：嗯，简单说就是开放了语音功能接口，开发者可以调用4O的语音实时聊天功能。奥特曼还说，全双工语音模式让他第一次感觉像是在和真人聊天。
男：哦，这个听着挺厉害的啊！这个开放语音接口之后，下游的应用可要爆发了，像那个智能客服、语言学习啥的，前景真的很大。
女：对啊！实时语音这块儿，前景无限啊！以后啥智能手表啊、戒指啊、眼镜这些设备，肯定全都得靠语音操作。现在最大的难点就是延迟嘛，那个，4O的“语音进语音出”延迟特别低，能低到几百毫秒，感觉就跟真人聊天一样。这个语音接口开放后，真的太值了！
男：对对对。简直不敢想象。
女：对了，你知道文生视频吗？给一段文字就能生成逼真的视频。Meta也推出了一个，生成的视频超级逼真，我感觉这个东西真能颠覆电影和视频制作行业了。
男：功能特别多，嗯，比如可以生成视频和音频，编辑已有的视频，甚至还能用一张你自己的照片生成个性化视频。我觉得，不管是好莱坞的大导演还是普通的视频创作者，都能用这个提高创作效率。
女：音频也能生成了。
男：对呀，嗯，现在连音效、音乐都能自动生成了，还能和视频完美同步，效果超级逼真，真的像身临其境一样。
女：太牛了！我说咋能少了音频呢，现在真是越来越厉害了。
男：对啊，靠谱的还有一个，那啥，谷歌做的那个 Notebook LM 也升级了，嗯，特别有意思。
女：那个去年不是就推出了吗？就是那个虚拟研究助理的东西，帮你总结文档，还能问答的那种。
男：嗯，对。不过我说的是它的新功能，叫“音频概述”。
女：啥意思啊？也跟语音有关系吗？是生成一段语音总结吗？
男：嗯，差不多吧。不过更厉害的是，这次升级可以把文字变成两个人对话的播客。你比如说，你把你写的论文丢进去，它就能给你生成一段两个人聊天的播客，聊着天讲论文，你只需要听就行了。
女：这个太厉害了！开车、走路啥的，听两个人聊着天就能学东西了。
男：是啊！你可以试试，那个对话效果真的是太真了，根本听不出来是生成的。
女：天呐，这假期也太热闹了！咱得赶紧卷起来，不然真落后了。
男：是啊，不然老谢又来催我们了，赶紧的干活去吧。
声明：音频仅作为技术展示。感谢标贝（DataBaker）提供高保真对话训练数据。
欢迎关注ASLP实验室微信公众号，获取更多语音研究相关资讯！
“打造最开放、最前沿、最落地的人工智能实验室”
