AI 語音、音樂與即時對話
Ollama 加咗語音模型 Phonon：本地文字轉語音，邊生成邊播
本地模型運行平台 Ollama 喺 2026 年 10 月 24 日宣佈支援語音模型，首個模型係 Gradium 開發嘅 Phonon，現已喺 macOS 上線，聲線可喺生成同時流式播放。
生成影像與聲音
AI 圖像、影片與 3D
內地首部AI院線片《三星堆：未來往事》開工兩日收90萬，成本千萬，票倉冷過AI
10月23日上映嘅《三星堆：未來往事》係內地首部長片級AI電影，兩日累計票房約90萬人民幣，遠低於千萬級成本，業界指技術未必係觀眾買入場嘅賣點。
AI 語音、音樂與即時對話
Block 推全新語音模型 Dessa：完全用人聲訓練，唔經過文字轉化
Block 話 Dessa 係首個完全用人類語音訓練、冇任何文字資料嘅 AI 語音模型，可即時識別情緒、反諷、笑聲同停頓，但仲未對外開放。
AI 圖像、影片與 3D
Kyutai 推 CADRE：7 個開放因果擴散影片自編解碼器，互動世界模型反應快過 230 ms
Kyutai 發布 CADRE，一套 7 個開放因果擴散影片自編解碼器，做互動世界模型。官方數據：1 塊 H100 跑 20 fps，反應低於 230 ms。
AI 圖像、影片與 3D
開相片數秒內畫出，Claude Opus 5.5 畫筆實驗
Simon Willison 2026 年 10 月 23 日喺網誌分享用 Claude Opus 5.5 High 嘅 prompt 實驗：開一張相片，數秒內用 HTML canvas 元素同模擬畫筆畫出該相嘅畫筆版本。
AI 圖像、影片與 3D
95%企業AI試點冇回報，特讚話：你哋缺嘅唔係模型，係兩個「世界模型」
特讚創辦人范凌喺上海WTCC論壇提出：企業 AI 要真係變產能，唔係換一個更勁嘅模型，而要補兩個「世界模型」——一個理解客户，一個理解公司。
AI 語音、音樂與即時對話
聲網趙斌提五級對話框架：由問一句答一句，到理解一個人
10月23日北京 iRTE2026，聲網 CEO 趙斌拋出「五級對話能力」框架，話足實時對話底層要幾多低延遲同全雙工（full duplex），先至有講頭。
AI 圖像、影片與 3D
5B生圖模型 MOSS-Image 上線四日衝百萬下載 AI 味點去㗎
模思智能同 OpenMOSS 團隊開源嘅 5B 生圖模型 MOSS-Image，上線僅四天喺海外收 130 萬下載，登頂 Hugging Face 文生圖趨勢榜。
AI 圖像、影片與 3D
Kimi K3.1 未出先漏：3D 成本據報僅 GPT-6 Astra 十四分之一
月之暗面未正式公佈 K3.1，但配置檔、模型列表、Arena 盲測同 SGLang 合併請求早已逐個洩露；網傳成本、效能聲稱均未獨立查證。
AI 語音、音樂與即時對話
CarPlay 版 Google 地圖開放 Gemini 對話，美國先用、全球跟緊
Google 首次為 CarPlay 版 Google 地圖加語音助理，駕駛可自然對話查詢地點、避開收費路，甚至語音回報塞車。功能 10 月 21 日美國先上，其他地區陸續跟進。
AI 語音、音樂與即時對話
Amazon Polly 語音引擎大升級 14 條新聲線加印地語同芬蘭語
AWS 旗下語音合成服務 Polly 嘅生成式引擎全面升級，新增 14 條聲線、首次覆蓋印地語同芬蘭語，並可視文字情緒自動調整語調，舊應用唔使改 API。
AI 圖像、影片與 3D
Canva 自研生圖模型 Canva Craft 出爐，2K、30 種比例，仲要插去 ChatGPT
Canva 宣佈自家研發嘅 AI 生圖模型 Canva Craft 向所有用户開放，用公司設計庫嘅人工模板訓練，將透過 API 同 MCP 接駁第三方聊天機器人。
AI 圖像、影片與 3D
火山開放大模型做片：先用480P試鏡，4K先喺拍好嘅鏡頭上落
火山引擎正式開始 Seedance 2.5 4K 影片模型嘅首批企業試用，定向供貨全球20間工作室及導演，並開放「先480P出樣片、滿意鏡頭先4K重產」嘅分段計價。
AI 圖像、影片與 3D
NVIDIA Cosmos 擴大世界模型工具鏈 Porsche 料可省九成實車測試
NVIDIA 宣佈 Cosmos 平台新增訓練工具、模擬檢查點同 Cosmos Data Factory 數據管線，開放 GR00T、QWEN 等模型微調，Porsche 指實車測試料減九成。
AI 圖像、影片與 3D
Just Eat 用 AI 畫菜畫到 bacon 游入可樂 官方認錯暫停
英國外賣平台 Just Eat 試行 AI 生成食物圖片，結果 bacon 同蛋「入」咗可樂、soda bread 成汽水，被網民大玩，公司已道歉並暫停推廣。
AI 語音、音樂與即時對話
IBM 推 Granite Speech 5.0 多語言語音模型 開放權重、跑分係廠商自評
IBM 21 日更新三個 Granite Speech 模型：新 2B 多語言轉寫模型開放權重、支援 Apple Silicon，邊緣小模型 Turbo CTC 速度提升約 1.6 倍，多講者轉錄 WDER 降 7%。
AI 圖像、影片與 3D
NVIDIA 開發「AI 模擬膽囊切除」 單卡 RTX PRO 6000 跑即時影像
NVIDIA 公佈 Cosmos3-H-Dreams，利用生成式模型配合臨床手術錄像，訓練出可即時互動嘅膽囊切除模擬器，只需一張 RTX PRO 6000 GPU 已可運行，唔使數值模擬。
AI 語音、音樂與即時對話
Elevenlabs 出 Eleven Realtime：你講佢聽，0.57 秒應你
Elevenlabs 推出 v1 Max 同 v1 Mini 兩款即時語音對話模型，Max 喺 Big Bench Audio 得 98.8%、反應 0.57 秒，可經 OpenAI 兼容 Realtime API 使用。
AI 語音、音樂與即時對話
Mistral 出聲：Voxtral 3 全聲學堆疊，聽、諗、開口一條流
Mistral AI 今日正式推出 Voxtral 3，整合語音轉文字、文字轉語音同聲學代理 SDK 成即時流水線，支援逾 50 種語言，由聽、諗、開到口到落單，全部喺度完成。