跳到正文

#内容生成

今日 10 条
7月24日周五
  1. xAI:News63

    Grok 推出 Google Workspace 附加组件,可直接在 Sheets、Slides、Docs 中使用

    Grok 推出 Google Workspace 附加组件,把 Grok 直接放进 Sheets、Slides 和 Docs 的文件旁使用。Sheets 中它从表格本身作答并引用所用单元格,可编写公式、插入图表,假设变动时重跑场景,每次改动都是可检查撤销的普通编辑;Slides 能把大纲变成沿用原主题的可编辑演示,Docs 可将粗略笔记整理成带标题和列表的结构化草稿。

    决策要点

    AI 助手的竞争正转向办公套件入口,Grok 用原生编辑和单元格引用把生成结果留在企业既有文件流里。

    • 影响免费安装降低了员工的试用门槛,文档表格类工作可低成本先试;改动以普通编辑形式留在文件中,可检查可撤销;连接器读取邮件和 Drive 文件,意味着数据访问边界需要重新约定。
    • 参考可考虑让财务或数据团队先用 Sheets 场景试点,记录单元格引用准确率和返工耗时;值得在开启连接器前先划定允许读取的邮箱和 Drive 范围。
7月20日周一
  1. 字节 Seed:研究52

    字节 Seed 发布 Seed Audio 1.0 音频创作模型,统一框架生成完整声音场景

    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,已在火山方舟体验中心上线。模型时间控制支持 100ms 间隔精度,单次可生成约 2 分钟音频并延展保持音色一致,覆盖中文、英文等 20+ 语种。

    决策要点

    字节把人声、音效和环境声放进同一个模型端到端生成,音频制作从多模型拼接转向完整场景创作。

    • 影响配音、短剧、广告等内容的音频制作有机会省去多工具拼接和反复试音环节;出海内容可用同一音色扩展多语言版本,减少逐市场重制;现有数字均为官方自评,引入前需自行验证。
    • 参考可考虑选一个视频配音或广告片场景,与现有拼接流程对比耗时和返工率;多语种业务值得测算用一个音色批量生成多语言版本的成本。
7月8日周三
  1. 字节 Seed:研究57

    字节 Seed 发布 Seedream 5.0 Pro 图像生成模型,主打高密度信息图与精准编辑

    字节 Seed 正式发布多模态图像生成模型 Seedream 5.0 Pro,已上线火山方舟体验中心,将陆续登陆豆包与即梦。官方称其具备复杂信息可视化、交互式精准编辑、真实影像人像质感、原生多语种输入四大能力,支持十余种常用语言,可生成含时间轴、图表与密集文字的高密度信息图。官方同时承认在更细粒度文字渲染与像素级编辑保持方面仍有进步空间。

    决策要点

    图像生成竞争从画面美观转向生产可用性,Seedream 5.0 Pro 以精准编辑和高密度信息图为主打,直接瞄准设计生产环节。

    • 影响信息图、促销海报等高文本物料多了一条模型直出路径;局部编辑能力若实测达标,可降低反复重绘整图的返工成本;现有展示均为官方演示口径,引入前宜用自有素材实测。
    • 参考可考虑选促销海报或科普信息图场景,用自有文案实测文字渲染准确率并记录返工轮次;值得盘点设计流程中高频微调环节,评估点选编辑与图层分离能否承接。
7月6日周一
  1. xAI:News45

    xAI 为 Grok Voice 推出 21 个多语言旗舰声音,原有五声音同步升级

    xAI 发布 21 个新的 Grok Voice 旗舰声音,与原有 5 个声音并行提供,全部原生多语言,覆盖 Grok Voice 的 25+ 种语言。

    决策要点

    xAI 把语音能力从单一模型功能扩展成声音库、API 和搭建工具齐全的产品线,企业自建语音智能体的门槛在降低。

    • 影响多语言声音直接面向客服、广告、教育等场景,语音客服与语音内容可按语言统一选型;约一分钟音频即可克隆声音,自有品牌音色的获取成本下降;语音智能体搭建入口开放后,业务团队可自行尝试而无需先走开发。
    • 参考可考虑选一个多语言客服流程用 Voice Agent API 做小规模试点并记录话务成本对比;有品牌配音需求的团队值得用一分钟克隆音色测试相似度与稳定性,再决定是否调整现有配音预算。
7月3日周五
  1. Google DeepMind:Blog46

    Google DeepMind 与 A24 宣布研究合作,Google 同时对 A24 投资

    Google DeepMind 与 A24 宣布建立一项研究合作,官方称其为同类首例,双方将在多个项目上共同研发,让 A24 的电影创作者参与塑造 AI 工具,Google 同时对 A24 进行了投资。合作初期聚焦连接前沿技术与下一代娱乐,具体目标、技术产出和创意里程碑将随合作推进而演变,公告未披露投资金额。

    决策要点

    Google DeepMind 以研究合作加投资两条线绑定独立片厂 A24,把 AI 工具研发嵌入真实创作流程。

    • 影响影视等创意企业可借同类合作影响工具走向并获得研发侧配合;实验室开始用投资绑定内容公司,AI 工具竞争正从产品层面前移到创作流程与资本层面。
    • 参考内容团队可考虑盘点创作流程中最耗人力的环节,评估是否以共创试点换取早期工具适配;同时值得厘清与厂商深度绑定时的数据和创作主导权边界。
7月1日周三
  1. Google DeepMind:Blog62

    Google DeepMind 发布 Nano Banana 2 Lite 图像模型与 Gemini Omni Flash 视频模型

    Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 两个生成式模型,即日起在 Google AI Studio 和 Gemini API 面向开发者开放。

    决策要点

    Google 把图像与视频生成同时压进低价高速档位,生成式媒体的规模化调用成本进入可按量精算的区间。

    • 影响图像按 $0.034 一张、视频按 $0.10 一秒计价,批量素材生产的预算可以直接精算;官方自列 10 秒时长上限与角色一致性限制,重交互或长片场景需要保留降级路径。
    • 参考可考虑用旧版 Nano Banana 的调用量重算换成 Lite 后的成本变化;值得选一条图生视频链路如商品图转展示视频做小规模试点,并按官方列出的限制先定验收标准。
6月18日周四
  1. xAI:News54

    xAI 推出 Grok for Word 加载项,把 Grok 写作能力嵌入 Microsoft Word

    xAI 于 2026 年 6 月 18 日推出免费的 Grok for Word 加载项,用户可在 Microsoft Word 内用提示词生成段落、改写润色,并把网页与 X 上的研究资料引入文档。

    决策要点

    xAI 将 Grok 嵌入 Word 文档写作环节,用免费加载项直接进入企业日常文档工作流。

    • 影响提案、指南、参考资料等文档写作多了一个免费内嵌选项,可在小范围任务上先行比对成本与产出;connectors 会读取邮件与 SharePoint、Google Drive 文件,接入前需明确数据边界;多人协作文风统一有了直接功能支持。
    • 参考可考虑让文案或提案团队先在少量真实文档上试用并记录修改耗时;值得在启用 connectors 前盘点邮件、SharePoint 与 Google Drive 中哪些内容允许模型读取。
6月16日周二
  1. xAI:News59

    xAI 推出 Grok for PowerPoint 加载项,用大纲生成整套幻灯片

    xAI 推出 Grok for PowerPoint,一款免费的 Microsoft 365 加载项,可在 PowerPoint 内用大纲生成整套幻灯片。

    决策要点

    Grok 以免费加载项嵌入 PowerPoint 本体,幻灯片制作从手工排版转向大纲驱动的对话式生成。

    • 影响演示密集的团队获得低门槛试用入口,安装即用无需额外采购;加载项可读取邮件与 SharePoint、Google Drive 内容写稿,接入前需要明确内部资料的授权边界。
    • 参考可考虑选一个高频汇报场景试点,用现有大纲生成整套片子并记录改稿耗时对比;接入邮件或网盘连接器前,值得先盘点允许 Grok 读取的文件范围。
  2. xAI:News42

    xAI 发布 Grok Imagine Video 1.5,视频生成速度接近翻倍

    xAI 发布 Grok Imagine Video 1.5 图生视频模型,已在 Imagine API 以 grok-imagine-video-1.5 正式开放,Video 1.5 Fast 同步上线 grok.com/imagine 及 iOS 和 Android 应用。

    决策要点

    这轮升级把图生视频的音画同步、运动一致性和速度短板一起补,重心开始从模型能力转向创作者日常工作流。

    • 影响短视频与广告类素材的图生视频制作耗时进一步压缩,单镜头试错成本随之下降;音效对白与画面一次生成,后期配音和口型修正环节有压缩空间;Projects 与并行生成等配套功能把竞争从单条生成延伸到日常创作流程。
    • 参考可考虑拿 6 秒 720p 短镜头做试点,对比现有视频制作流程的出片耗时;值得盘点素材生产中配音、口型修正的外包成本,再决定是否接入 Imagine API 试一条生产线。
6月5日周五
  1. One Useful Thing(Ethan Mollick)45

    Ethan Mollick宣布新书Co-Existence,探讨人与时强时弱的AI如何共事

    Ethan Mollick宣布继两年前的畅销书Co-Intelligence之后,将于10月20日推出新书Co-Existence,主题是如何与有时强于人类、有时不如人类的AI共事。

    决策要点

    人机协作的主导权正从人指挥聊天机器人,转向智能体接管执行,人与AI的分工变成按任务不断重新谈判的长期关系。

    • 影响编码领域已出现AI产出远超人的岗位,建站等任务耗时从小时级降到分钟级;内容的读者与推荐入口开始包含AI,面向智能体呈现信息会进入经营视野;隐藏指令式的旧打法失效并带声誉风险。
    • 参考可考虑盘点团队中类似编码、建站这类产出能被智能体整体接管的环节,先算出耗时差距;值得检查自家对外内容对AI智能体的可读性,并清理页面上针对模型的隐藏指令。
6月3日周三
  1. xAI:News39

    xAI 发布图生视频模型 Grok Imagine 1.5 Preview

    xAI 于 6 月 3 日发布图生视频模型 grok-imagine-video-1.5-preview,现以预览版形式通过 xAI API 开放。模型输入一张静态图和描述动作的提示词即可生成视频,涵盖镜头运动、氛围与物理效果,分辨率最高 720p,并保留原图细节与光影;官方称支持逐帧编排并串联成整段风格一致的长场景,可用几行 Python 代码调用。

    决策要点

    xAI 把图生视频能力做成 API 预览版开放,内容团队获得一个可用代码调用的视频生成入口。

    • 影响营销与内容团队可把静态素材经代码批量转成视频片段,用于广告或社媒生产;预览版上限 720p,效果只有官方口径,需用自家素材实测后再扩量。
    • 参考可考虑挑一批品牌静态图做小规模试跑,记录与人工动画的成本和质感差异;先核对接投渠道是否接受 720p 素材,再定试点范围。
5月18日周一
  1. xAI:News59

    xAI 为 Grok 推出 Skills 功能,跨对话记住偏好并生成 Word、PPT、Excel 文档

    xAI 推出 Grok 的 Skills 功能,用户教一次 Grok 即可在所有对话中记住偏好、格式规则和工作流步骤,无需每次重复说明。内置技能无需设置即可使用,覆盖 Word 文档、演示文稿、表格和 PDF 的创建编辑,表格还能分析数据;用户也可以通过对话描述、上传文件或从零编写来创建自定义技能,自定义版本优先于内置版本。

    决策要点

    xAI 给 Grok 加上跨对话记忆和 Office 文件产出能力,把助手的角色从回答问题推进到交付可直接使用的办公文档。

    • 影响发票、路演稿、预算表这类常规文档可交给 AI 直接生成,节省排版和整理工时;偏好与流程规则一次设定后跨对话复用,减少团队重复交代的成本;涉及上传公司文件使用时需先确认数据边界。
    • 参考可考虑选一份真实预算表或路演稿让 Grok 试点生成,对比人工排版的耗时和格式还原度;值得把团队固定的格式规范整理成技能描述,测试一次沉淀、长期复用是否成立。
  2. Google DeepMind:Blog72

    Google 发布 Gemini Omni Flash,支持任意输入生成视频

    Google 发布 Gemini Omni 系列首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本输入生成视频,并通过自然语言进行多轮对话式编辑。

    决策要点

    视频生成正从一次性产出转向多轮可控编辑,Gemini 的知识储备被直接接入创作链路。

    • 影响内容与营销团队可先评估对话式编辑能否替代部分拍摄和后期工序;YouTube Shorts 提供免费入口,试错成本不高;生成视频带 SynthID 水印,商用素材发布前可先核对平台披露要求。
    • 参考可考虑让内容团队用既有素材在 Gemini 应用或 Google Flow 做多轮编辑试点,记录可用场景和节省工时;值得先确认订阅档位覆盖,API 开放后再评估接入。
5月17日周日
  1. Google DeepMind:Blog62

    Google DeepMind 扩展内容透明度与验证工具,SynthID 验证进入 Search 和 Chrome

    Google DeepMind 宣布扩大内容透明度与验证工具布局,Gemini 应用内的 SynthID 验证功能已全球使用 5000 万次,即日起扩展到 Search,并在数周内进入 Chrome。

    决策要点

    内容真实性验证正被 Google 做成覆盖搜索、浏览器、手机和云的入口能力,水印加溯源的组合开始成为平台标配。

    • 影响内容与营销团队需为 AI 生成素材预留溯源标记和标签管理流程;平台型企业可借助检测 API 做内容分拣与反欺诈;真实拍摄素材将获得跨平台识别。
    • 参考可考虑盘点自家 AI 生成素材的使用范围并预留内容凭证方案;平台方值得评估 Gemini Enterprise 平台上检测 API 的接入条件;品牌方可先测试 Search 与 Chrome 验证入口对自家素材的识别结果。
5月6日周三
  1. xAI:News41

    Grok Imagine API 上线 Quality Mode,主打更高真实感与更强文字渲染

    xAI 在 Grok Imagine API 中上线图像生成与编辑的 Quality Mode,面向企业开发者与团队开放。官方称其在独立榜单中位居最强模型之列,主打更高真实感与更强文字渲染。企业用例包括产品渲染、营销素材、UGC 风格内容与广告变体,搭配视频生成能力可用于社媒视频素材和产品展示,开发者可经 Python 和文档页接入。

    决策要点

    Quality Mode 把图像生成的主打场景对准企业营销与品牌素材生产,商业批量出图成了这次更新的核心定位。

    • 影响营销与电商团队在图像生成 API 上多了一个选项,产品渲染、社媒素材和广告变体可在 API 层接入;官方榜单说法未附数据,选型前需按自家素材实测;与视频能力的组合指向社媒视频素材管线。
    • 参考可考虑用自家产品图与品牌色各跑一轮对比测试,重点核对文字渲染与真实感是否达标;有批量出图需求的团队值得先列出社媒素材与广告变体清单,测算接入后的用量。
4月30日周四
  1. xAI:News54

    xAI 推出 Custom Voices 声音克隆功能,短录音即可用于 Grok 语音 API

    xAI 推出 Custom Voices,在 xAI console 录制约一分钟语音并通过本人验证后,不到两分钟即可生成生产可用的音色模型。克隆声音继承内置声音的全部 TTS 能力,含 speech tags、多语言输出与 REST 和 WebSocket 流式,调用 Text to Speech 或 Voice Agent API 不额外收费。

    决策要点

    声音克隆从定制项目变成随取随用的 API 标准能力,且不额外计费,品牌音色接入自有服务的门槛明显降低。

    • 影响客服语音、内容配音等场景可统一品牌音色,调用 API 不加价,成本主要随调用量走;克隆声音须由本人录制并通过实时验证,想用代言人声音需其本人配合录制;声纹属生物特征信息,对外投放的授权与合规安排落在企业侧。
    • 参考可考虑选一个客服回访或播客类场景试点,由品牌声音本人在 xAI console 录制约一分钟走完验证流程;值得先算清现有配音外包费用与该 API 调用费的差价,再决定覆盖多少场景。
4月24日周五
  1. One Useful Thing(Ethan Mollick)65

    沃顿教授 Ethan Mollick 实测 GPT-5.5,称能力提升仍在加速

    Ethan Mollick 提前试用 GPT-5.5,认为模型、应用与工具连接三方面同时进步,AI 能力提升在加速。同题 3D 港口城镇演化编码任务中,仅 GPT-5.5 Pro 真正建模出演化的城镇,用时 20 分钟,上一代 GPT-5.4 Pro 为 33 分钟。

    决策要点

    GPT-5.5 的意义不在单项跑分,而在模型、应用与工具三层同时进步,复杂任务一次委托已接近可交付。

    • 影响编码与研究类交付的外包门槛进一步降低,AI 可完成从数据到成稿的整链路,专家角色转向把关假设与结论;长篇创作与因果论证仍是短板,需要人工补位;模型迭代周期变短,已有选型结论更容易过时。
    • 参考可考虑选一个真实业务场景,用四条以内提示测试从数据到成稿的完整链路并记录人工修改量;值得按模型、应用、工具三层盘点现有 AI 使用方式,检查团队是否只停留在网页聊天入口。
4月17日周五
  1. xAI:News55

    xAI 发布 Grok 语音转文本与语音合成 API,批量转写定价每小时 0.10 美元

    xAI 于 2026 年 4 月 17 日发布 Grok Speech to Text(STT)和 Grok Text to Speech(TTS)两个独立音频 API,技术栈与 Grok Voice、Tesla 车辆和 Starlink 客服支持相同。

    决策要点

    xAI 将 Grok 的语音能力拆成独立 API 出售,用低价和自评基准直接切入 ElevenLabs、Deepgram 所在的转写与语音合成商用市场。

    • 影响客服录音、会议和电话转写可按每小时 0.10 至 0.20 美元重新测算成本;配音和语音交互内容按百万字符 15 美元计价,预算更可控;语音能力从绑定整体模型改为可单独采购,转写与合成服务的选型多了新选项。
    • 参考可考虑取一段真实客服录音,在 Grok STT 与现用转写服务间对比词错率,再按年用量算成本差;有配音或语音交互需求的团队,值得用语音标签生成小样试听效果。
4月16日周四
  1. Google DeepMind:Blog56

    Google DeepMind 发布 Gemini 3.1 Flash TTS,用 audio tags 精细控制语音表达

    Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS,主打更细的语音控制、更强表现力和音质。模型新增 audio tags,在文本中嵌入自然语言指令即可控制语气、语速与表达;官方转引 Artificial Analysis 盲测榜单称其 Elo 得分 1,211,并入选其高质量低成本象限。

    决策要点

    语音合成的卖点从音质转向可控表达,导演式控制加低成本定位让有声内容制作门槛继续下移。

    • 影响客服语音、有声内容和产品讲解等场景可用更细的语气控制提升听感;70+ 语言与低成本定位降低多语言配音的制作门槛;SynthID 水印为企业识别 AI 生成音频提供了检测手段。
    • 参考可考虑挑一个客服播报或多语言讲解场景,在 Google AI Studio 试用 audio tags 并导出 API 代码做小样对比;值得先核算现有配音外包成本,评估替换或混合方案的节省空间。
1月28日周三
  1. xAI:News56

    xAI 发布 Grok Imagine API,Artificial Analysis 文生视频排名列第 1

    xAI 于 2026 年 1 月 28 日发布 Grok Imagine API,将视频生成与视频编辑打包为统一 API 组合,支持文生视频、图生视频,以及对象增删替换、场景切换、风格重塑、线稿转动画等编辑能力。

    决策要点

    视频生成 API 的竞争正从单点画质转向质量、成本、延迟三者并比,xAI 用统一接口切入创作与营销内容生产链路。

    • 影响内容与营销团队可把部分视频制作环节转为 API 调用,加快多方案并行试错;选型需同时权衡画质排名、延迟与调用成本;官方援引的排名属单一来源,规模接入前宜先小样对比。
    • 参考可考虑先用官方教程和托管控制台跑小样,记录出片质量、P50 延迟与单条调用成本,与现有视频工具对比后再评估是否接入 SDK 做批量生产。
1月23日周五
  1. MiniMax:新闻42

    MiniMax 发布语音大模型 Speech 2.8,支持原生语气词与 10 秒音色克隆

    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。

    决策要点

    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。

    • 影响客服、有声内容与广告配音等场景的语音自然度可预期改善;10 秒克隆降低品牌声音资产制作与多语种复用的成本;中日双语内容是本次优先覆盖的语言组合。
    • 参考可考虑用现有客服话术或广告文案与现用语音方案做听感对比测试;计划克隆品牌声音的团队值得先建立声纹授权与样本管理流程;有中日双语内容需求的可先试该组合。
12月21日周日
  1. One Useful Thing(Ethan Mollick)64

    Ethan Mollick谈AI能力的形状:参差边界、瓶颈与反向突出部

    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。

    决策要点

    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。

    • 影响企业用AI提效时,上限常在制度流程和需人处理的边缘情况,而非模型强项;某个短板被攻克后,原本只有人能做的工作环节可能突然可自动化;因此岗位影响会成块出现而非渐进发生。
    • 参考可考虑把目标流程拆成任务清单,标出AI尚不能覆盖的那一环并估算其占用人力;值得追踪记忆、实时学习、物理行动等短板的突破进度,作为调整自动化排期和岗位规划的信号。
8月19日周二
  1. 通义千问 Qwen:Blog49

    阿里千问发布图像编辑模型 Qwen-Image-Edit,支持中英文文字精准修改

    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。

    决策要点

    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。

    • 影响海报改字、背景替换、风格迁移和 IP 素材衍生这类需求可直接交给模型处理,减少设计环节的修图工作量;官方 SOTA 是自评口径,引入前需用自有素材实测;中文文字精准编辑对中文营销物料场景价值更直接。
    • 参考可考虑用自有海报和商品图各选几张,在 Qwen Chat 实测文字修改与外观编辑的成品率;值得让设计团队逐类记录可用比例与返工次数,作为是否接入现有制作流程的依据。
8月4日周一
  1. 通义千问 Qwen:Blog54

    通义千问发布 Qwen-Image 图像基础模型,主打中英文文字渲染与精准图像编辑

    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。

    决策要点

    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。

    • 影响内容与营销团队可评估用提示词直接产出海报、配图和幻灯片,压缩设计与外包环节;全部基准成绩为官方自评,采购或接入前需要先用自己的素材试测实际可用率。
    • 参考可考虑让市场或电商团队挑一个海报或商品配图场景做提示词试点,对比现有人工出图耗时与修改轮次;值得同步测试文字编辑功能在存量素材改字上的收益。
6月27日周五
  1. 通义千问 Qwen:Blog41

    通义千问发布 Qwen-TTS 语音合成更新,新增北京话、上海话、四川话三种方言

    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。

    决策要点

    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。

    • 影响面向地方市场的客服外呼、有声内容与短视频配音多出方言选项;按 API 调用的模式便于把配音成本与外包录音直接比较;目前效果均为官方口径,采购决策前应以自有文本试听为准。
    • 参考可考虑用三种方言样音和自有业务文本试听自然度;值得把现有配音、外呼预算按 API 调用重新核算,再选客服或内容场景做小规模试点。
6月26日周四
  1. 通义千问 Qwen:Blog52

    千问发布统一多模态模型 Qwen VLo 预览版,支持自然语言指令改图

    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。

    决策要点

    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。

    • 影响营销与设计团队的素材改稿和海报制作可尝试用自然语言指令完成,减少多轮修图往返;官方自认预览版存在生成不准与不遵循指令问题,直接进生产流程有出错与返工风险。
    • 参考可考虑挑一批真实改图需求做小样本对比,先算出指令改图与现有设计流程的耗时和返工差异;值得让设计团队试一版含中英文文字的海报,检验长文本生成的可控性。