三花快讯

OpenAI o1-pro API 现已正式上线，输入为 150 美元/百万 token，输出更是高达 600 美元/百万 token。

这 token 是金子做的，还是银子做的？

Reka Flash 3 是一款开源的 21B 通用推理模型，完全从零开始训练。它在性能上可与 o1-mini 等模型媲美，是目前同等规模中最出色的开源模型之一。

模型本身基于 Apache 2.0 开源，佬们也可以在其官网上体验。

OpenAI 昨天发布了全新的音频模型，主要包括文本转语音（Text-to-Speech, TTS）和语音转文本（Speech-to-Text, STT）两大类:

• 文本转语音模型（gpt-4o-mini-tts）:
  最大亮点是其“可操控性”（steerability），可以精确控制语音的语调、节奏和表达方式。佬们可以在 OpenAI FM 中测试体验。
  我简单测试了下，中文 TTS 发音有的音色还是一股大佐味，而且语速慢听起来感觉怪怪的。
• 语音转文本模型（gpt-4o-transcribe 和 gpt-4o-mini-transcribe）:
  相较于 OpenAI 之前的 Whisper 模型，在语音识别准确性上有了显著提升，尤其是在处理多样化口音和嘈杂环境下的表现更为出色。
  API 价格和 Whisper 差不多，4o约为每分钟$0.006，4o-mini约为每分钟$0.003。

更多更新细节，可以看 OpenAI 的官方博客。

Artificial Analysis的生图模型竞技场上出现了一款名为 Halfmoon 的模型，其 ELO 得分超越了此前的 Recraft v3 模型，以 16 分的优势登顶榜首。

佬们可以猜猜这会是谁家的模型呢？

Step-Video-TI2V 是由 StepFun（阶跃星辰）开发的图生视频模型，拥有 30B 参数，是目前开源社区中规模最大的 TI2V 模型之一。

该模型能够根据提示词和初始图生成 540p/24fps 共 5 秒的视频。采用 MIT 许可证完全开源，可以随意商用。

该模型对 GPU 要求较高，单 GPU 运行需要超大显存支持，推理时间较长（约 14 分钟），即使使用 4GPU 也需要大约 5 分钟。

Orpheus TTS 是一个开源的基于 Llama-3b 的 TTS 系统，旨在提供接近人类水平的语音合成质量。具有自然语调、情感表达和高清晰度的特点。

项目基于 Apache 2.0 许可证开源，可以商用。官方的在线演示是英文的，效果非常不错，我试了下中文，能生成，不过大佐味满满的。

Windsurf 宣布支持类 Cursor 的 tab 补全、导入、跳转和多行补全！最关键的是这些能力都是免费使用，Pro 用户只是响应更快，体验丝滑。

完整更新细节可以看官方博客

FlashVDM 是一种专门用于加速形状生成的通用框架，现已开源。

腾讯表示，Hunyuan3D 2.0 整个系列的模型生成速度提升了 30 倍，处理时间从 30 秒缩短至 1 秒。完全得益于 FlashVDM，它不仅支持混元系列模型，还支持加速其他模型。

腾讯混元 3D 模型 正式更新，推出了两个新版本：3D 2.0 MV 和 3D 2.0 Mini。3D 2.0 MV 在多视角效果更好，而 3D 2.0 Mini 则参数小速度快。

昨天我还以为会发布 3.0 版本，没想到只是增强了 2.0。

对了，腾讯混元今天应该还会发布 HunYuan-T1 推理模型，大家可以继续关注一下。

谷歌 Gemini APP 发布了两个新功能：

• Canvas 就像一块共享白板，可以和 Gemini 协同工作，帮助你完善文档、编写代码、设计原型等。
• Audio Overview 则可以将你的文件（如文档或代码）转化为播客式音频讨论。这相当于直接把之前爆火的 NotebookLM 内置了

上面的功能都上线了，完整更新介绍佬们可以看官方博客。