AI日报：谷歌终极杀器硬刚GPT-4o、Sora；字节推出豆包大模型“全家桶”；阿里再推AI虚拟试衣神器；腾讯开源混元文生图大模型

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。

1、谷歌急了，终极杀器对打GPT-4o 视频模型Veo硬刚Sora

谷歌近日发布了一系列强大的AI工具，包括Project Astra、Veo视频模型和Gemini1.5Pro，旨在彻底颠覆谷歌搜索并挑战OpenAI。其中，Veo视频模型被视为对OpenAI Sora的正面迎战，具有惊人的电影感和专业级生成效果。谷歌结合多项开创性成果，提高了视频生成的一致性、质量和分辨率。发布的AI工具标志着谷歌在人工智能领域的不断进步和创新，竞争将持续升级。

【AiBase提要】

🔸大杀器Project Astra，视觉识别和语音交互效果，跟GPT-4o不相上下。

🔸Gemini1.5Pro超长上下文窗口，token数将达 200 万，且开放给个人使用

🔸文生视频模型Veo硬刚Sora，生成视频不仅真实，而且在光线、构图等方面具有惊人的电影感

Veo视频生成申请入口:https://aitestkitchen.withgoogle.com/tools/video-fx

Gemini体验地址：https://aistudio.google.com/app/prompts/new_chat

2、微软宣布 GPT-4o 模型在 Azure OpenAI 上使用

微软宣布最新的多模态模型GPT-4o现已可以在Azure OpenAI上使用，该模型支持跨文本、视频、音频多模态推理，具有强大的多模态解读和输出能力。GPT-4o在教育、语言学习、形象评价等领域有广泛应用前景。

【AiBase提要:】

🔸 GPT-4o支持跨文本、视频、音频多模态推理，展现强大的多模态解读、输出能力

🔸 在教育领域可作为AI辅导助手，帮助学生解答问题、进行实时语言翻译

🔸 在语言学习方面表现出色，通过视频进行西班牙语学习，在形象评价领域有广泛应用前景

3、字节跳动正式发布自研豆包大模型系列

字节跳动在2024春季火山引擎FORCE原动力大会上推出了豆包大模型系列，展现了其在人工智能领域的深厚积累和创新能力。豆包大模型已在内部广泛应用，对外服务将助力行业智能化升级。这一创新成果体现了字节跳动的技术积累和对未来AI发展的洞察。

【AiBase提要:】

✨ 字节跳动推出豆包大模型系列，包括九大模型，展示深厚技术积累和创新能力。

🚀 豆包大模型在内部已广泛应用，对外服务将助力行业智能化升级。

💡 创新成果体现字节跳动的技术积累和对未来AI发展的洞察。

详情：https://www.chinaz.com/2024/0515/1616629.shtml

4、阿里国际推出AI虚拟试衣工具，1分钟内搞定

阿里国际旗下的Pic 推出的AI虚拟试衣工具为服饰商家带来了革命性的成本节省和效率提升。商家只需上传服装图片并选择模特，即可在短时间内生成专业棚拍效果的商品图，平均成本控制在0.2-0.3元人民币以内。这一工具不仅简化了拍摄流程，还保证了模特授权合法性，受到了广交会北美客商的热烈欢迎。

【AiBase提要:】

👗 AI虚拟试衣工具帮助服饰商家省去拍摄成本，将商品穿在模特身上生成模特图。

📸 虚拟试衣功能支持上传上装和下装的图片，识别连身服装，生成不同效果的展示图。

💰 商家使用虚拟试衣功能平均成本控制在0.2-0.3元人民币以内，大大降低了拍摄成本，推动产品全球市场销售。

5、腾讯开源混元DiT 图像生成模型 可根据对话上下文生成并细化图像

这篇文章介绍了腾讯开源的混元DiT图像生成模型Hunyuan-DiT，它具有对中英文的精细理解能力，可以根据对话上下文生成并细化图像。Hunyuan-DiT结合了Transformer结构、文本编码和位置编码，训练了一个多模态大型语言模型，为图像生成任务带来显著效果。该模型在自然语言处理、图像生成等领域有广泛应用前景。

【AiBase提要:】

🔑 Hunyuan-DiT采用Transformer结构，在文本处理领域取得成功。

🔑 通过文本编码和位置编码，Hunyuan-DiT实现对中文的细粒度理解。

🔑 训练多模态大型语言模型，使Hunyuan-DiT能生成准确、描述性的图像描述。

详情链接:https://github.com/Tencent/HunyuanDiT

6、ElevenLabs发布配音API 允许开发者在产品中添加音频或视频翻译功能

ElevenLabs最近发布了配音API，为开发者提供了在其产品中添加音频或视频翻译功能的便利。该API支持29种语言翻译，并保留原始发言者声音特征。开发者可通过Python教程和API参考快速上手，轻松整合到主要编程语言中。ElevenLabs还推出了名为ElevenLabs Music的文本生成歌曲产品，展现出色的音乐表现和创作能力。

【AiBase提要:】

🔊 配音API允许翻译音频或视频至29种语言，并保留原声特征。

🎶 ElevenLabs Music在音乐方面表现出色，包括节奏感、和声、创意性等。

🎤 ElevenLabs的主要产品包括语音克隆、文本转语音和AI配音解决方案。

详情链接:https://elevenlabs.io/docs/api-reference/create-dub

7、MiniMax推出人生搭子「海螺 AI」

MiniMax推出了一款名为「海螺 AI」的人生搭子产品，为学生、职场新人、自由工作者、创作者等各类人群提供外挂大脑和人生搭子，帮助化解信息过载和高速运转带来的压力。小海螺具备智能高效的特点，支持处理长篇内容，理解情感并耐心倾听用户，支持多种交互方式。已被广泛使用，24*7在线解决用户问题，希望陪伴用户在人生不同阶段。

【AiBase提要:】

🧠 智能高效：小海螺接入自研多模态大模型，支持处理长篇内容，具备智能高效特点。

💬 人性化交互：产品有温度，理解情感并耐心倾听用户，支持多种交互方式如文字输入、上传文件、语音交流。

🌟 多群体应用：从备考学生到大厂运营人员，各类用户群体使用，展现多样化使用方式。

8、Android即将推出基于AI的诈骗电话检测功能

Google正在开发一项新的保护功能，利用Gemini Nano技术识别诈骗电话中的欺诈性语言和对话模式，用户将收到实时警报并被鼓励结束可疑通话。该功能在设备上进行监测，保持对话私密，有助于防止诈骗行为。

【AiBase提要:】

🔍 利用Gemini Nano技术识别诈骗电话中的欺诈性语言和对话模式，提供实时警报。

🚫 用户将收到警报，提示结束可疑通话，避免泄露个人信息或被诈骗。

💡 Gemini Nano目前仅支持Google Pixel8Pro和Samsung S24系列手机，限制了功能的适用范围。

9、谷歌计划将 Gemini Nano AI 直接内置到 Chrome 浏览器中

谷歌计划将 Gemini Nano AI 直接内置到 Chrome 浏览器中，这意味着用户将可以在浏览器内生成社交媒体帖子、产品评论等内容，同时为开发人员提供错误信息解释和代码修复建议。Gemini Nano在本地设备上运行，提供更快速和隐私保护的AI体验。

【AiBase提要:】

✨ Gemini Nano将直接嵌入Chrome浏览器，用户可生成社交媒体帖子、产品评论等内容

🔧 Gemini Nano作为Chrome DevTools的一部分，为开发人员提供错误信息解释和代码修复建议

⚡ Gemini Nano在本地设备上运行，提供更快速和隐私保护的AI体验

10、谷歌推出新的 AI 模型 LearnLM，专注于教育领域

谷歌推出的新 AI 模型 LearnLM 旨在帮助学生解决作业问题和提高学习效果，通过与谷歌其他产品整合，提供多种学习辅助功能，如简化课程计划、回答数学和物理题目等。

【AiBase提要:】

🤖 LearnLM 是谷歌基于 Gemini 开发的 AI 模型，旨在帮助学生解决作业问题和提高学习效果。

📚 LearnLM 可以通过不同方式找到和展示专题例子，辅导学生习，并激发学习兴趣。

💡 LearnLM 已与谷歌搜索、Android、YouTube 和 Gem 聊天机器人整合，简化课程计划，回答视频问题，提供个人专家等功能。

详情链接:https://blog.google/outreach-initiatives/education/google-learnlm-gemini-generative-ai/

11、谷歌将AI内容水印技术扩展到视频和文本领域

谷歌宣布将AI内容水印技术扩展到视频和文本领域，引入新型数字水印技术SynthID，用于标记由AI生成的内容。这一举措在应对政治虚假信息和不良内容传播方面具有重要意义。

【AiBase提要:】

🔍 SynthID是新型数字水印技术，可标记AI生成的视频和文本

🛡️ 数字水印无法被人类视觉辨别，但可被系统检测到，可应对政治虚假信息和不良内容传播

🌐 AI生成内容的数字水印越来越重要，特别是在AI被滥用时，谷歌的SynthID是其中之一