Grok 即将推出「Imagine」功能，支持生成带音频的视频

？丨Voice Agent 学习笔记 a16z 最新报告：AI 数字人应用层即将爆发，或将孕育数十亿美金市场丨 Voice Agent 学习笔记 a16z合伙人：语音交互将成为AI应用公司最强大的突破口之一，巨头们在B2C市场已落后太多丨Voice Agent 学习笔记 Ele

Forest Labs（xAI 去年与该公司合作在马斯克的社交网络 X 上推出了图片生成功能）每张图片的收费约为 0.05 美元。 另一家流行的图像模型提供商 Ideogram 的收费更高，为 0.08 美元。 在其文档中，xAI 指出，API 尚不支持调整图片的质

penAI 的 o3 (high) 的 21%。 除了 Grok 4 和 Grok4 Heavy，xAI 还推出了其迄今最昂贵的 AI 订阅计划、名为 SuperGrokHeavy 的每月 300 美元的订阅服务。该计划的订阅者将能抢先体验 Grok4 Heavy，并优先使用新功能。此计划与其他主要 AI 提供

； 可模拟现实对话中的情感、打断、语气变化； 即将开放 API 接口，支持创作者和开发者。 官方介绍： https://elevenlabs.io/v3 相关链接： https://t.co/RHi7prurqm （@elevenlabsio@X、@小互 AI） 02 有亮点的产品 1、NotebookLM 前创

最大的亮点在于其原生多模态能力，能够直接处理视频和音频的比特流，无需进行转换即可理解内容。 这意味着 Grok V7不仅能看懂视频画面，还能听懂语音中的细微变化，精准辨识出表达的情绪和语调重点，从而实现更深层次

腾讯 AI Lab 推出一项名为 AudioGenie 的新型无训练多智能体系统，为多模态到多音频（MM2MA）生成领域带来重大突破。 该系统能从视频、文本、图像等多模态输入中，精准合成音效、语音、音乐、歌曲等多种音频，有效解决了

Vision 目前仅支持 iOS 版 Grok 应用。 此外，Grok 今天还推出了包括多语言音频和 Grok 语音模式下的实时搜索等其他新功能。

斯克于8月6日通过社交媒体透露，他的人工智能公司 xAI 即将开源其新款 AI 模型 Grok2。马斯克表示:“现在是时候开源 Grok2了。” 这一消息无疑引发了广泛关注，期待的用户也纷纷表示期待这一模型的推出。 Grok2于2024年8月13日以

支持强大的队列任务处理和脚本功能。 Avidemux 2.8.1 现已推出，更新内容如下： 新特性 新的 HiDPI 兼容按钮组 通过 CTRL+F 快捷方式添加部分过滤器的快速方法 音频部门改进 自定义帧速率更改（带音高控制的音频拉伸）

三天的人工智能象棋对决是Google数据科学社区 Kaggle 即将在新开发的 Game Arena 举办的一系列锦标赛的首场。在那里，模型将在一系列旨在评估其思维和推理能力的战略游戏中相互竞争。 Google DeepMind 和 Kaggle 将与 Chess.com、国

新增重要功能 增加时光回溯功能 所谓时光回溯功能，就是加大视频流在服务器的缓存，可以通过配置publish下的buffertime来控制缓存多久。例如可以缓存7秒视频，那么服务器就会至少缓存7秒音视频数据，当我们需要

更低的抽卡率实现更高质量的可控生成。 音效同步可控功能则确保了随着视频环境与画面转场，Vidu Q1 能够输出生成相应音效，并可精准控制每段音效的长短区间，精准设置每段音频出现的时间点，如 0-2s 风声、3-5s 雨声等，节

谷歌 Gemini CLI（命令行工具）发布了一系列功能更新和改进，包括新增音视频文件输入、Markdown表格渲染等功能，并优化了历史记录、隐私命令及编辑器支持。 新功能 音频与视频支持：Gemini CLI 现支持处理音视频内容 Markd

xAI最新的人工智能模型Grok3已正式在GitHub Models上推出公开预览版。 Grok3作为一款功能强大的工具，适用于数据提取、代码编写、文本摘要等任务，广泛服务于金融、医疗、法律和科学等行业。由xAI开发的Grok3旨在提供卓越的推理