MiniMax 于 2026-01-23 发布语音大模型 Speech 2.8，主打合成语音的真实感，已在 MiniMax 开放平台和 MiniMax Audio 上线。模型首次引入自然语气标签，对嗯、呃等口语填充词原生建模并保留停顿节奏；音色克隆经优化后仅需 10 秒原声片段；官方称升级后消除了背景杂音和机械毛刺感，并率先修正中文音色合成日语时的发音偏移，覆盖 40+ 种语言。
语音合成的主打卖点从清晰准确转向像真人说话，语气词、呼吸和 10 秒克隆成为正式产品能力，声音资产的制作门槛随之降低。
沃顿教授Ethan Mollick撰文提出，AI能力边界依旧参差，一项任务能否被自动化取决于瓶颈而非整体智能。他引用研究称GPT-4.1在妥善提示与支持下两天复现并更新12篇Cochrane综述，约相当于12个工作年，准确率超过人类评审，但因无法获取补充文件或致信作者索要数据，不足1%的边缘错误仍需人类专家处理。
AI能力是参差而非齐平的，一项任务能否被自动化取决于最短的短板瓶颈，而不取决于模型整体智能水平。
阿里千问发布图像编辑模型 Qwen-Image-Edit，基于 20B 的 Qwen-Image 构建，用户可在 Qwen Chat 选择图像编辑功能体验。模型将输入图像同时送入 Qwen2.5-VL 做语义控制、VAE Encoder 做外观控制，支持物体旋转、风格迁移、增删元素等编辑能力，并可对图中中英文文字直接增删改且保留原字体、字号与样式。
图像编辑能力从局部修补扩展到语义级改写与中英文文字精准修改，官方定位其为图像编辑的基础模型。
通义千问发布 20B 参数的 MMDiT 图像基础模型 Qwen-Image，主打复杂中英文文字渲染与精准图像编辑。官方称模型在 GenEval、DPG、GEdit、ImgEdit 等生成与编辑基准以及 LongText-Bench、ChineseWord 等文字渲染基准上全面领先现有模型（官方口径，暂无独立验证），中文渲染优势尤为突出。
中文文字渲染被做成图像模型的核心卖点，中文海报、PPT 类物料的提示词直出变得可尝试。
通义千问发布 Qwen-TTS 语音合成模型更新，提供 qwen-tts-latest 与 qwen-tts-2025-05-22 版本，经 Qwen API 开放调用，新增北京话、上海话、四川话三种中文方言合成。
方言与情感表现力成为语音合成的差异点，方言语音内容的生产门槛降到一次 API 调用的程度。
千问团队发布统一多模态理解与生成模型 Qwen VLo 预览版，可通过 Qwen Chat 用自然语言直接生成和修改图片。模型支持风格迁移、改文字、换背景等开放式指令编辑，也能通过编辑指令完成深度图、分割、检测等感知任务，支持中英文指令与动态分辨率，极端长宽比如 4:1 和 1:3 以及多图输入尚未正式上线。官方说明预览版仍存在生成不准确、与原图不一致、不遵循指令等不稳定性。
图像编辑从专门工具走向统一模型一条指令完成，理解与生成合并后连检测分割也能用改图方式输出。