5月9日 | AI播报,掌握全球文化科技脉动

OpenAI 在 Realtime API 中推出 GPT-Realtime-2、GPT-Realtime-Translate 与 GPT-Realtime-Whisper 三款音频模型。GPT-Realtime-2 支持 128K 上下文窗口，性能提升 15.2%；Translate 支持超 70 种输入语言，词错率降低 12.5%；Whisper 针对低延迟流式转录优化。

[原文链接]

(https://x.com/OpenAI/status/2052438194625593804)

RunningHub 近日推出原生 AI 智能体全能内容创作平台 RHTV，将专业级创作带入对话式时代。用户只需用自然语言描述需求，内置的原生 AI 智能体就能自动规划工作流、撰写脚本、设计分镜，并在每一步主动汇报确认，全程节点清晰可见、随时可干预。平台还支持跨素材精准混搭，可以用自然语言复刻指定素材的镜头运动和角色动作。

[原文链接]

(原生Agent杀入画布！一站式搞定专业创作，全程可控、不抽卡)

阶跃星辰发布新一代实时语音大模型StepAudio 2.5 Realtime，现已全量上线。该模型能感知语调、语速等"副语言"信息以识别用户情绪，动态调整回应以提升对话真实感。开发者可通过API精细定制AI角色的性格、背景等，其能力基于超万个原生人设生成的百万级特征矩阵训练。

[原文链接]

(StepAudio 2.5 Realtime 上线！真正具备“活人感”的实时语音大模型)

AI视频生成进入平民量产时代！ Vidu Claw 推出全新模式，依托微信聊天界面即可操作，一口价包干、百元成本，全链路自动化完成脚本、剪辑、特效、配乐，直接产出商业级广告大片，普通人也能低成本做专业影视内容。

[原文链接]

(Vidu Claw 开启「百元出百万级大片」时代：微信说句话，视频就出片)

哈工大与华为提出免训练框架 Dynamic－dLLM，让扩散大模型推理平均加速超 3 倍且几乎无损精度。Dynamic－dLLM 巧妙结合了动态缓存预算分配与自适应并行解码，实现了性能与速度的兼得。它像一位聪明的资源调度员，测算出模型浅层变化平缓、深层变化剧烈的动态规律，把计算资源精准投喂给需求最迫切的“层”，并设置强制更新窗口防止 Token 陷入“泥潭”。

[原文链接]

(提速4.48倍！哈工大华为新框架让扩散大模型精度无损、推理起飞)

多轮视觉问答，正在成为LVLM推理效率的“照妖镜”。第一轮关注人物，第二轮追问背景，第三轮讨论构图，但现有压缩方法在多轮场景下集体翻车。为应对这一挑战，浙江大学宋明黎教授团队与阿里巴巴集团安全部联合提出了MetaCompress——一套面向多轮视觉问答的学习式Token压缩框架，被CVPR 2026录用。

[原文链接]

(只看图片就能学会压缩Token！浙大&阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026)

过去，豆包主要依靠免费使用扩大用户规模，突出“问答方便、语音交互、情感丰富、服务感强”等特点。现在，随着付费版本上线，豆包的产品路径开始接近 ChatGPT、Claude、Gemini 等主流 AI 助手。基础能力免费，更多额度、更高性能或更专业的服务通过订阅收费。大模型应用的推理成本、语音交互、多模态能力和高频使用都会带来持续成本。免费模式可以快速扩大用户规模，但长期看，很难覆盖重度用户带来的算力消耗。推出分层订阅，既可以控制成本，也可以筛选出真正有付费意愿的专业用户。国内 AI 助手竞争正在进入下一阶段。过去比的是“谁先免费吸引用户”，接下来比的可能是“谁能让用户愿意长期付费”。

[原文链接]

(豆包要收费了！最高 5088 元/年）

  南京艺术学院文化艺术大数据实验室由紫金文创研究院、南京艺术学院联合新华社国家重点实验室、南京大学国家应用数学中心和南数运筹研究院共建。作为江苏数字文化产业高质量发展的新型研发基地，文化艺术大数据实验室建设将成为南京艺术学院高水平大学建设的标志成果，助力江苏文化高质量发展。