ElevenLabs 发布 SFX v3 音效模型

ElevenLabs 研究团队发布强制对齐模型 Cue，能将每个字符精确放到音频时间轴上，精度高于其测试过的所有开源对齐器，覆盖基准测试全部 29 种语言。Cue 单模型可一次处理任意长度的录音，在单张 GPU 上约半秒对齐一小时音频，已用于 ElevenLabs 全部 Speech to Text 转写，并可通过 Forced Alignment API 单独使用。

ElevenLabs 发布 Eleven Realtime，一类新的语音到语音（Speech to Speech）模型。官方称语音智能体通常需要在快速回复和准确回答之间取舍，Eleven Realtime 两者兼顾，能在半秒内开始说话，并答对口语推理问题。

更多关于 v4 的信息：https://x.com/ElevenLabs/status/2104572127617994917

我们将 Eleven v4——我们最新的语音模型——与其他模型在八种语言中进行了盲测。 在每项测试中，听众都认为它更具表现力。

ElevenLabs 宣布 Eleven v4 和 Eleven v4 Turbo 在 Artificial Analysis 文本转语音榜单上分列第一和第二。引用数据显示 Eleven v4 Turbo 以 Elo 1,334 排名 Provider Voice 第一，价格为 $40/1M characters，是 Eleven v4（$80/1M characters）的一半，生成速度达每秒 96 字符；发音鲁棒性得分为 90.1%。

Hugging Face 发布 Mistral Large 4（Le Chonk）的上线博客，模型为多模态多语言 MoE 架构，总参数约 1T、激活 49B、上下文窗口 1M token。

Sundar Pichai 宣布 Google 推出 Gemini 4 Carbon，称其在更新后的 Artificial Analysis Intelligence Index v5.0 以 59 分排名第一。

Google DeepMind 发布 Gemini 4 Carbon，定位为最强前沿模型，主打网络安全与长程智能体能力，在 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0% 取得领先，并以 59 分登顶 Artificial Analysis Intelligence Index v5.0。

OpenMOSS 发布开放权重图像生成模型 MOSS-Image，采用 5B 参数单流 DiT 从零预训练，支持最长 4K token 提示词、中英文长文本渲染和可编辑的 JSON Layout。

面壁智能发布并开源 MiniCPM-OCR 系列。MiniCPM-OCR 1.0（1.3B）在 Real5-OmniDocBench 取得 93.68 分、OCRBench v2 取得 54.7 分的 SOTA，经 DSpark 加速后吞吐达 1.217 页/秒，端到端效率提升 55%。