native-audio

MiniMax H3 是新一代开放权重视频模型，能够根据文本、图像、视频或音频生成带有原生立体声的 2K 视频，并在发布当天就获得了 ComfyUI 支持及优化，使其能够在消费级 GPU 上运行。

讨论利用 Gemma 4 12B 的无编码器架构实现原生语音输入，寻找现成的低延迟流式音频摄入解决方案。

Google 更新了 Gemini 2.5 Flash Native Audio，以提升实时语音智能体的能力，包括更精准的函数调用、更好的指令遵循能力，以及更流畅的对话上下文检索。此次更新还在 Google Translate 应用 beta 版中引入了实时语音翻译功能，可在 70 多种语言中保留语音语调。