Audio Flamingo Next：NVIDIA开源长音频理解大模型，支持30分钟全域音频智能分析
Audio Flamingo Next（AF-Next）是NVIDIA与马里兰大学联合发布的新一代开源大型音频语言模型，支持30分钟长音频输入与128K上下文窗口，首创时序音频思维链技术，精准锚定时...
Harrier-OSS-v1：微软开源的多语言文本嵌入模型，长上下文与跨语言语义能力拉满
Harrier-OSS-v1是微软研究院开源的多语言文本嵌入模型家族，包含270M、0.6B、27B三档参数规模，采用decoder-only架构、last-token pooling与L2归一化，最长支持32768 token...
Matrix-Game 3.0：昆仑万维推出的工业级实时交互世界模型，长时记忆驱动高保真虚拟世界生成
Matrix-Game 3.0是昆仑万维旗下天工AI研发的工业级实时流式交互式世界模型，是首个实现长时序一致性、720p高分辨率、实时交互三者统一的开源世界模型。该模型基于扩散Trans...
InternVL-U：上海AI Lab开源的4B参数轻量级统一多模态模型
InternVL-U是由上海人工智能实验室OpenGVLab团队推出的40亿参数轻量级统一多模态开源模型，在单一框架内融合多模态理解、逻辑推理、图像生成、图像编辑四大核心能力，以“统...
Helios：北大开源的实时长视频生成模型，单卡19.5FPS实现分钟级高质量无漂移创作
Helios是北京大学YuanGroup开源的140亿参数实时长视频生成模型，无需传统抗漂移与加速技巧，即可在单张H100显卡实现19.5FPS端到端推理，支持文本/图像/视频驱动的分钟级高质...
RynnBrain：阿里巴巴达摩院推出的开源具身智能基础模型
RynnBrain是阿里巴巴达摩院开源的具身基础模型，以物理现实为锚点，面向机器人操作、视觉-语言导航、复杂任务规划等具身智能场景设计，具备时空定位、物理空间交错推理、物...
Anima：CircleStone Labs 与 Comfy Org 联合开源的20 亿参数动漫风格 AI 绘画模型
Anima是一款面向动漫与非写实艺术创作的20亿参数开源文本到图像（Text-to-Image）模型，由CircleStone Labs与Comfy Org联合研发，基于NVIDIA Cosmos架构构建，托管于Huggin...
ACE-Step 1.5：ACE Studio与StepFun联合开源的AI音乐生成模型，4GB显存即可生成专业级音频
ACE-Step 1.5是一款由ACE Studio与StepFun联合开发的开源音乐生成基础模型，主打在消费级硬件上实现商用级别的音乐生成能力，仅需4GB显存即可本地运行，兼具极速生成、多语...
SoulX-FlashTalk：Soul AI Lab开源的实时音频驱动数字人模型
SoulX-FlashTalk是由Soul AI Lab（Soul App人工智能实验室）联合东华大学研发并开源的实时音频驱动数字人无限流式生成模型，核心定位是解决传统数字人生成技术中“高画质必...
Qwen3-ASR：通义千问开源的多语言语音识别套件，覆盖52种语种方言与高精度强制对齐
Qwen3-ASR是由阿里云通义千问（QwenLM）团队完全开源的一站式语音识别（ASR）与语音-文本强制对齐解决方案，基于Qwen3-Omni多模态大模型基座研发，是一套集语音转写、语言自...
MOVA：开源音视频同步生成基础模型，原生双模态同生与高精度唇形对齐
MOVA是由OpenMOSS团队研发的开源音视频同步生成基础模型，其采用非对称双塔架构与双向交叉注意力机制，在多语言唇形同步、环境音效匹配上达到领先水平，全栈开放模型权重、...
HeartMuLa：开源多语言音乐基础模型，一站式实现音乐生成与音文处理
HeartMuLa 是一套开源的多语言音乐基础模型项目，核心目标是构建全链路的音乐生成与音视频文本处理能力，为开发者、研究者和普通用户提供开箱即用的音乐 AI 工具集。它是首...
VibeVoice-ASR：微软开源的AI语音转文本工具，单遍处理60分钟长音频
VibeVoice-ASR是微软推出的开源语音转文本（ASR）模型，支持英语和中文双语言输入，具备单遍处理60分钟长音频的核心能力。该模型融合ASR、说话人分离与时间戳标注功能，可直...
PersonaPlex：英伟达开源的全双工实时语音对话模型，支持角色定制与自然打断交互
PersonaPlex是NVIDIA研究团队于2026年1月开源的全双工实时语音对语音对话模型，基于Kyutai的Moshi架构与Helium语言模型构建，核心解决传统语音助手“听一次、答一次”的僵化...
Chroma 1.0：FlashLabs 推出的开源实时语音 AI 模型，实现低延迟对话与语音克隆
Chroma 1.0是由FlashLabs开源的全球首款开源、实时、端到端口语对话模型，核心定位是解决传统语音交互系统“先转文字再生成语音”的繁琐流程，以及语音克隆效果差、延迟高的...