Ideogram發布其最新的圖像生成模型Ideogram 2a，Ideogram稱這是其最快、最經濟實惠的文本生成圖像模型，專為平面設計和攝影優化。 Ideogram 2a 可在 10 秒 內產生高品質設計和照片級真實感影像 2a Turbo 版本 甚至只需 5 秒！ 生成圖像的費用 降低 50%

Hume AI 推出了 OCTAVE（Omni-capable text and voice engine），這是一款基於 大語言模型（LLM） 訓練的 新一代文本轉語音（TTS）系統，不同於傳統 TTS 只是機械地“朗讀”文本，OCTAVE 能夠理解文本內容的含義，並根據語境生成更加自然、情感和情感表達的語音表達。 也就是：Octave 不僅能“說”，還能“理解”它在說什麼。它透過分析文本中的情緒線索、情節轉折和角色特徵，產生自然且富有表現力的語音。 OCTAVE 是 AI 語音合成技術的重大突破，讓 AI 不再只是「朗讀」文本，而是真正 「理解」文本並表達情感。它不僅能產生更自然、更具表現力的語音，還能讓用戶 個人化客製化 AI 語音角色。 OCTAVE 在多項評測中 超越了 ElevenLabs，在 音質（71.6%）、自然度（51.7%）以及與語音描述匹配度（57.7%） 三個關鍵指標上均獲得更高評分。 相較於傳統 TTS，OCTAVE 具備下列核心優勢： > 理解上下文，依照情境調整語調、重音、節奏> 支援語音個人化，可創造任意風格的 AI 語音角色> 提供語音風格自訂，可調式情緒、語調、表達方式> 領先的音質和自然度，在行業盲測中超越 ElevenLabs> API 和 SDK 適用於開發者，可輕鬆整合到應用中> 未來支援語音克隆，僅需 5 秒即可複製聲音 OCTAVE 的主要特點 基於 LLM 訓練的語音生成 OCTAVE 不只是一個語音合成引擎，而是一個結合了 大語言模型（LLM）和語音技術的 AI 語音生成系統，具備 以下核心能力： 能夠理解文本的 情境，推測 情緒、語調、重音、節奏。 自動產生符合 情緒語境 的語音，而不僅僅是按照字面意思機械朗讀。 語音的自然度遠超傳統 TTS，能夠根據上下文調整 語速、停頓、重音、音調。 > 例 ：情緒性朗讀 文字輸入：「哦，當然，我們再來開一次關於 logo 顏色的會議吧！畢竟誰在乎功能呢，顏色才是關鍵！」OCTAVE 語音輸出（諷刺語調）：諷刺且帶有誇張的重音 文字輸入：「不！不要靠近我！這太可怕了！」OCTAVE 語音輸出（有驚恐）：帶有顫抖的聲音，語速快，音調高 傳統的 TTS 只是「朗讀」這些文本，而 OCTAVE 會理解語境，調整語氣，使其更貼近人類表達。

nception Labs 推出了一款全新的大語言模式 Mercury，與目前主流的Transformer模式不同，這是全球首個商用級擴散大語言模式（Diffusion Large Language Model，dLLM）。比現在常見的 ChatGPT（GPT-4o）、Claude 3.5、Gemini 1.5 快 10 倍，同時更準確、更聰明、更省錢。 Mercury 採用 擴散模型（Diffusion Model） 進行文本生成，相較於目前主流的自回歸（autoregressive）LLM（如 GPT-4、Claude 3.5、Gemini 1.5），它具備： 更快的推理速度（提升 5-10 倍） 更低的計算成本 更強的邏輯推理能力 更好的可控制性（可局部修改文字、糾錯、填充） 應用場景：包括編碼、問答、代理任務（agentic applications）等，未來可能擴展至更多通用語言任務。 > 什麼是擴散大語言模型（dLLM）？ 現有 LLM（如 GPT-4、Claude 3.5）的問題 目前主流的 大語言模型（LLM） 都是基於 自回歸（autoregressive） 方式進行文字產生： 逐步依序 一個 token 一個 token 產生文本，每個 token 依賴前面的輸出。 這種方式在 長文本推理、複雜任務 方面有明顯缺陷： 推理速度慢（尤其是長文時，計算成本極高） 推理錯誤難以修正（一個錯誤可能影響後續所有生成） 難以局部修改（必須重新產生整個文本） 易產生幻覺（hallucination），無法全域最佳化文字質量 擴散大語言模型（dLLM）：全新解決方案 Mercury 採用 擴散模型（Diffusion Model） 進行文字生成，和 影像擴散（Stable Diffusion、Midjourney） 類似： 並行修改多個 token，而不是逐一生成 粗到細（coarse-to-fine） 逐步最佳化輸出，而非簡單預​​測下一個 token 能夠全域最佳化文字結構，減少幻覺、提高一致性 > 擴散 LLM 的核心優勢： > 速度提升 5-10 倍（並行優化多個 token，提高吞吐量）> 減少幻覺（Hallucination）（可全域調整文本，不受前後 token 誤差影響）> 更好的可控性（支援局部修改、插入文字、填