英伟达开源多模态音频模型 Audio Flamingo 3

非营利组织  LAION-AI 发布了 OpenFlamingo，这是一个用于训练和评估大型多模态模型 (LMM)的框架，属于 DeepMind 的 Flamingo 模型（一种能够处理和推理图像、视频和文本的等多模态内容的框架）的开源复制品。 其数据集 OpenFlamingo-9

知名 AI 技术创业者李沐和其团队 Boson.ai 发布了开源 TTS 语言大模型 Higgs Audio v2，该模型不仅支持文本转语音，还能生成多语言自然多说话人对话、自动调整韵律、使用克隆声音哼唱旋律，甚至同时生成语音和背景音乐 。

。 目前，OmniAudio 已上架 GitHub 并同步公布了代码、数据开源仓库，以及相关技术论文。 项目主页：https://omniaudio-360v2sa.github.io/ 代码和数据开源仓库：https://github.com/liuhuadai/OmniAudio 论文地址：https://arxiv.org/abs/2504.14906 （@APPSO

LLaSM 是一个开源可商用的中英文双语语音 - 语言助手，其相关论文“LLaSM: Large Language and Speech Model”与最近正式在 arXiv 上发布。论文的署名组织包括：LinkSoul.AI、北京大学和 01.ai (零一万物)，其中共同一作 Yu Shu 和 Siwei Dong 均

现出色。 据悉，阿里通义千问自成立以来，已经向全球开源了超过200款模型。这些模型覆盖了自然语言处理、计算机视觉等多个领域，为科研和企业应用提供了强有力的支持。而 Qwen 系列的衍生模型数量已经突破10万，超越了

在国产芯片32K上下文推理效率最高可达DeepSeek R1的300%，在英伟达H800芯片将推理效率提升了70%以上。该模型将于7月31日向全球开源。 此外，阶跃星辰宣布与上海国有资本投资有限公司达成深度战略合作，并透露上海国投将参与

Stability AI 发布了一款名为 Stable Audio Open Small 的音频生成模型，可在手机端上运行。 Hugging Face：https://huggingface.co/stabilityai/stable-audio-open-small Stable Audio Open Small 是 Stability AI 与 Arm 公司合作的成果。该模型的训练集完全由免版

摩尔线程宣布开源音频理解大模型—MooER（摩耳）。公告称，MooER是业界首个基于国产全功能GPU进行训练和推理的大型开源语音模型，不仅支持中文和英文的语音识别，还具备中译英的语音翻译能力。 摩尔线程AI团队在该工作中

今天，阿里云举办通义千问发布会，开源通义千问720亿参数模型Qwen-72B。 地址：https://modelscope.cn/models/qwen/Qwen-72B/ 据介绍，Qwen-72B在10个权威基准测评创下开源模型最优成绩，成为业界最强开源大模型，性能超越开源标杆Llama 2-70

通义千问团队开源音频语言模型 Qwen2-Audio。这是 Qwen-Audio 的下一代版本，它能够接受音频和文本输入，并生成文本输出。具有以下特点： 语音聊天：用户可以使用语音向音频语言模型发出指令，无需通过自动语音识别（ASR）

们的产品和平台更新、社区活动、学习资源和内容更新、开源库和模型更新等，我们将其称之为「Hugging News」，本期 Hugging News 有哪些有趣的消息，快来看看吧！ 重要更新 最新音频课程现已发布 近期，我们发布了一个音频

rence，你可以轻松地 一键部署你自己的模型或内置的前沿开源模型 - https://github.com/xorbitsai/inference。无论你是研究者，开发者，或是数据科学家，都可以通过 Xorbits Inference 与最前沿的 AI 模型，发掘更多可能。   Xinference 的功

在今天凌晨的GTC2025主题演讲上，英伟达发布全球首个开源仿人形机器人基础模型 Isaac GR00T N1 和仿真框架。 NVIDIA 创始人兼 CEO 黄仁勋表示：“通用机器人的时代已经到来，借助 NVIDIA Isaac GR00T N1 以及新的数据生成和机器人学习框

英伟达开源了 NVIDIA Llama Nemotron 中最大尺寸的推理模型 Llama-3.1-Nemotron-Ultra-253B-v1，可用于聊天机器人开发、AI Agent 工作流、检索增强生成（RAG）和代码生成等场景。 根据英伟达开放模型许可证及 Llama 3.1 社区许可协议，