Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

目前最好的TTS是什么

Answer

目前，ChatTTS 是备受关注的 TTS 之一。

其优势包括：

  • 真实度和自然度很惊艳。
  • 有更好的韵律，能生成接近真人音色的语气语调，对中文支持良好，中英混合也没问题。
  • 能够预测和控制细粒度的韵律特征，如笑声、停顿和插话等。
  • 自然流畅的语音合成，同时支持多说话人，还提供预训练模型。

然而，它也存在一些劣势：

  • 当前推理速度慢，无法应用在实时语音场景。用在离线场景，需要大量的后期修正工作。
  • 对于阿拉伯数字、标点符号，refine 后效果不太好。
  • 有时候会出现不稳定，自动删除或者增加一些内容在句子里，比如输入的内容是“你吃饭了没”，会莫名把句子改写一下变成了，“好吃，你吃饭了没”这种情况。
  • 读绕口令也有人的那种卡顿（效果不稳定）。

另外，XiaoHu.AI 也表现出色，支持跨语言配音、语音克隆、情感控制等，表现优于现有 TTS 系统，提供对语音生成的多样性和情感控制，并允许局部编辑，实时可控编辑，支持对特定语音片段进行修改或替换。您可以通过以下链接获取更多信息：

PersonaTalk 也是字节跳动的 AI 配音模型。

Content generated by AI large model, please carefully verify (powered by aily)

References

Stuart：一夜爆火的 ChatTTS 实测

作者：许键StuartChatTTS一夜爆火，极速出圈，3天就斩获9k的Star量，截止2024.06.03，已经16.6k的star，极速接近GPT-soVITs当天的26.2k的star数。到底有什么魔力让它火爆的速度直追它的前辈？优势：真实度和自然度很惊艳更好的韵律:能生成接近真人音色的语气语调这个TTS应该是目前对中文支持最好的了中英混合也没问题细粒度控制:能够预测和控制细粒度的韵律特征，如笑声、停顿和插话等自然流畅的语音合成，同时支持多说话人同时提供预训练模型劣势：当前推理速度慢，无法应用在实时语音场景。用在离线场景，需要大量的后期修正工作。对于阿拉伯数字，标点符号，refine后效果不太好有时候会出现不稳定，自动删除或者增加一些内容在句子里比如输入的内容是“你吃饭了没”，会莫名把句子改写一下变成了，“好吃，你吃饭了没”这种情况读绕口令也有人的那种卡顿（效果不稳定）

卡尔：终于蹲到ChatTTS增强版整合包，AI视频配角们有了自己的声音～

1.✅对话式TTS：ChatTTS针对对话式任务进行了优化，实现了自然流畅的语音合成，同时支持多说话人。2.✅细粒度控制：该模型能够预测和控制细粒度的韵律特征，包括笑声、停顿和插入词等。3.✅更好的韵律：ChatTTS在韵律方面超越了大部分开源TTS模型，并提供预训练模型。4.❌模型稳定性：自回归模型存在稳定性不足的问题，可能会出现声音突然变成其他人的声音，或者音质突然变差，可以通过多次尝试来寻找更好的音频效果。5.⭕️情感控制：目前发布的模型版本中，情感控制仅限于笑声（[laugh]）以及一些声音中断（[uv_break],[lbreak]）。作者计划在未来的版本中开源更多情感控制的功能。几天前，我们还需要在本地和云端安装环境才能运行ChatTTS，玩法较为复杂。如今，陆续出现了在线网站和本地增强整合包。这里给大家介绍一下玩法，首先是网站：我们直接访问https://chattts.com/在作者提供的样例中，中英文混合和语气停顿效果令人印象深刻。这里我用这两个例子教大家如何使用。输入文本1?这些元素其实是glam rock，然后加这种bling的感觉.我觉得像这个衣服有一些jacket,比如说那个oversized的那个丹宁的jacket,我觉得我是可以offduty的model.[ChatTTS中英混样例【网页端】.wav](https://bytedance.feishu.cn/space/api/box/stream/download/all/OVwsbemTDociUXxJ9vWcllhpn4c?allow_redirect=1)

XiaoHu.AI日报

支持跨语言配音、语音克隆、情感控制等，表现优于现有TTS系统。提供对语音生成的多样性和情感控制，并允许局部编辑。实时可控编辑，支持对特定语音片段进行修改或替换。?更多案例：[https://xiaohu.ai/p/14995](https://xiaohu.ai/p/14995)?GitHub：[https://github.com/open-mmlab/Amphion/tree/main/models/tts/maskgct](https://github.com/open-mmlab/Amphion/tree/main/models/tts/maskgct)?论文：[https://arxiv.org/pdf/2409.00750](https://arxiv.org/pdf/2409.00750)?在线体验：[https://huggingface.co/spaces/amphion/maskgct](https://huggingface.co/spaces/amphion/maskgct)?官方网站：[https://voice.funnycp.com](https://voice.funnycp.com)?[https://x.com/imxiaohu/status/1850405441618223158/video/1](https://x.com/imxiaohu/status/1850405441618223158/video/1)3⃣️?PersonaTalk：字节跳动的AI配音模型

Others are asking
tts
语音合成（Text to Speech，TTS）是指将文本通过一系列的信号处理转换成“人造”语音。 技术原理： 传统的语音合成技术一般会经过以下三个步骤： 1. 文本与韵律分析：先将文本分词，标明每个字的发音以及重音、停顿等韵律信息，然后提取文本的特征，生成特征向量。 2. 声学处理：通过声学模型将文本特征向量映射到声学特征向量。 3. 声音合成：使用声码器将声学特征向量通过反变换生成声音波形，然后依次拼接得到整个文本的合成语音。在反变换过程中，可以调整参数，从而改变合成语音的音色、语调、语速等。 参考资料： 出门问问的语音合成（TTS）API： 1. 接口描述： 接口请求域名：https://open.mobvoi.com/api/tts/v1 接口请求频率限制：5 次/秒 应用场景：在视频 APP 中作为配音解说；小说 App 完成有声阅读，移动 App 语音播报新闻；智能设备语音提醒；车载导航语音合成的个性化语音播报等。 提供多种方言和风格：包括普通话、台湾腔、粤语、四川话、东北话等多种方言，数百个发音人，上千种风格，满足客户在不同场景的选择需求。实时合成支持 SSML，语法详见 SSML 标记语言。 2. 请求参数： HTTP Method：支持 POST 请求 调用参数及说明： 字段名：text，必填，类型为 String，要合成的文本内容，限制为 1000 字符。支持 ssml 标记语言，使用说明见附录 3。 字段名：appkey，必填，类型为 String，开发者在 AI 开放平台上申请的 appkey。 字段名：signature，必填，类型为 String，签名，通过“appkey+secret+timestamp”进行 md5 加密，得到的 32 位 MD5 值。其中加号也参与 MD5 的计算。每次请求实时计算签名，签名有效期为 10 分钟。 字段名：timestamp，必填，类型为 Long，当前时间戳，单位为秒。 字段名：speaker，否，类型为 String，合成音频指定发音人，默认值：cissy_meet，其他发音人传值及计费价格请参考声音商店。 字段名：audio_type，否，类型为 String，合成音频的格式，默认值：mp3，可选值：pcm/mp3/speexwb10/wav，只支持这四种格式中的一种。 字段名：speed，否，类型为 Float，发音人合成的语速，支持小数点后两位，默认值：1.0，可选值：0.5 2.0。 Request Header 设置
2025-04-14
适合客户端使用的 tts 模型有什么
以下是一些适合客户端使用的 TTS 模型： 1. Fish Speech：语音处理接近人类水平，约十五万小时三语数据，对中文支持完美。开发者为 fishaudio，具有亿级参数，高效轻量，可在个人设备上运行和微调，适合作为私人语音助手。详细介绍及更多演示：https://xiaohu.ai/p/10779 ，GitHub：https://github.com/fishaudio/fishspeech 。 2. GPTSoVITS：只需 1 分钟语音即可训练一个自己的 TTS 模型，是一个声音克隆和文本到语音转换的开源 Python RAG 框架。5 秒数据就能模仿，1 分钟的声音数据就能训练出高质量的 TTS 模型，完美克隆声音。支持零样本 TTS、少量样本训练、跨语言支持、易于使用的界面等。GitHub： 。
2025-03-17
spark tts
SparkTTS 是基于 Qwen2.5 的高效文本转语音（TTS）系统，具有以下特点： 1. 超越现有 TTS，结合 Qwen2.5 进行端到端生成。 2. 支持细粒度语音控制，包括性别、音调、语速等自定义参数。 3. 具备零样本语音克隆功能，无需目标声音样本，即可生成个性化高质量声音。 4. 采用 BiCodec 编码架构，简化流程，提高推理效率。 5. 与 Qwen2.5 LLM 集成，可直接通过 LLM 处理 TTS 任务，无需额外声学模型。
2025-03-11
tts
语音合成（Text to Speech，TTS）是指将文本通过一系列的信号处理转换成“人造”语音。 技术原理： 1. 文本与韵律分析：先将文本分词，标明每个字的发音以及重音、停顿等韵律信息，然后提取文本的特征，生成特征向量。 2. 声学处理：通过声学模型将文本特征向量映射到声学特征向量。 3. 声音合成：使用声码器将声学特征向量通过反变换生成声音波形，然后依次拼接得到整个文本的合成语音。在反变换过程中，可以调整参数，从而改变合成语音的音色、语调、语速等。 参考资料： 出门问问的语音合成（TTS）API： 接口请求域名：https://open.mobvoi.com/api/tts/v1 接口请求频率限制：5 次/秒 应用场景：在视频 APP 中作为配音解说；小说 App 完成有声阅读，移动 App 语音播报新闻；智能设备语音提醒；车载导航语音合成的个性化语音播报等。 提供多种方言和风格：包括普通话、台湾腔、粤语、四川话、东北话等多种方言，数百个发音人，上千种风格，满足客户在不同场景的选择需求。实时合成支持 SSML，语法详见 SSML 标记语言。 请求参数： HTTP Method：支持 POST 请求 调用参数及说明： 字段名：text，必填，类型为 String，要合成的文本内容，限制为 1000 字符。支持 ssml 标记语言，使用说明见附录 3。 字段名：appkey，必填，类型为 String，开发者在 AI 开放平台上申请的 appkey。 字段名：signature，必填，类型为 String，签名，通过“appkey+secret+timestamp”进行 md5 加密，得到的 32 位 MD5 值。其中加号也参与 MD5 的计算。每次请求实时计算签名，签名有效期为 10 分钟。 字段名：timestamp，必填，类型为 Long，当前时间戳，单位为秒。 字段名：speaker，否，类型为 String，合成音频指定发音人，默认值：cissy_meet，其他发音人传值及计费价格请参考声音商店。 字段名：audio_type，否，类型为 String，合成音频的格式，默认值：mp3，可选值：pcm/mp3/speexwb10/wav，只支持这四种格式中的一种。 字段名：speed，否，类型为 Float，发音人合成的语速，支持小数点后两位，默认值：1.0，可选值：0.5 2.0。 Request Header 设置
2025-02-28
TTS
语音合成（Text to Speech，TTS）是指将文本通过一系列的信号处理转换成“人造”语音。 技术原理： 1. 文本与韵律分析：先将文本分词，标明每个字的发音以及重音、停顿等韵律信息，然后提取文本的特征，生成特征向量。 2. 声学处理：通过声学模型将文本特征向量映射到声学特征向量。 3. 声音合成：使用声码器将声学特征向量通过反变换生成声音波形，然后依次拼接得到整个文本的合成语音。在反变换过程中，可以调整参数，从而改变合成语音的音色、语调、语速等。 参考资料： 出门问问的语音合成（TTS）API： 接口描述： 接口请求域名：https://open.mobvoi.com/api/tts/v1 接口请求频率限制：5 次/秒 可以将任意文本转化为语音，应用场景包括视频 APP 配音解说、小说 App 有声阅读、移动 App 语音播报新闻、智能设备语音提醒、车载导航语音合成的个性化语音播报等。提供了普通话、台湾腔、粤语、四川话、东北话等多种方言，数百个发音人，上千种风格。 请求参数： HTTP Method：支持 POST 请求 调用参数及说明： 字段名：text，必填，类型为 String，要合成的文本内容，限制为 1000 字符。支持 ssml 标记语言，使用说明见附录 3。 字段名：appkey，必填，类型为 String，开发者在 AI 开放平台上申请的 appkey。 字段名：signature，必填，类型为 String，签名，通过“appkey+secret+timestamp”进行 md5 加密，得到的 32 位 MD5 值。每次请求实时计算签名，签名有效期为 10 分钟。 字段名：timestamp，必填，类型为 Long，当前时间戳，单位为秒。 字段名：speaker，否，类型为 String，合成音频指定发音人，默认值：cissy_meet，其他发音人传值及计费价格请参考声音商店。 字段名：audio_type，否，类型为 String，合成音频的格式，默认值：mp3，可选值：pcm/mp3/speexwb10/wav，只支持这四种格式中的一种。 字段名：speed，否，类型为 Float，发音人合成的语速，支持小数点后两位，默认值：1.0，可选值：0.5 2.0。 Request Header 设置
2025-02-14
推荐免费的tts公有模型站点，需要支持中文，克隆自己的声音
以下为您推荐支持中文且能克隆自己声音的免费 TTS 公有模型站点： GPTSoVITS： 只需 1 分钟语音即可训练一个自己的 TTS 模型。 5 秒数据就能模仿您，1 分钟的声音数据就能训练出一个高质量的 TTS 模型，完美克隆您的声音，且适配中文，界面易用。 主要特点： 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 预训练模型：项目提供了一些已经训练好的模型，您可以直接下载使用。 GitHub： 视频教程： 需要注意的是，Stuart 模型存在一些问题： 语音生成基本功能方面： 支持的语音时长不超过 30 秒，超过 30 秒的需要特别修复。 某些 audio seed 在念某些语句时会丢失一些语句。 Refine 过程中有些字会被丢失，比如“儿童节”在大概率会被 refine 成“童节”，丢失一个“儿”字。解决方法是跳过自动 refine，以手动修改文本的方式来控制停顿。 即使同一个 audio seed，如果使用不同的语句分段方式，或者不同的 text seed，生成的音色也不是很稳定，会给人感觉不是同一个人的声音。 代码 Bug： uv_break 等提示词可能会在 refine 之后缺少，甚至有时候在有中括号的情况下也会被念出来。 没提供微调 SFT 的接口。 本模型特别申明：不支持商用，仅用于学术研究。在生成的语音内，作者加了听不见的噪音水印，可以很容易的被检测出来是他的模型生成的语音。ChatTTS 还没放出训练代码无法自己克隆声音，作者还只放出了 4w 小时训练的版本，确保这个模型的声音能被 AI 检测出来。作者还留着一个 10w 小时训练数据的版本。
2025-02-07
最好的制作ppt的大模型是哪个
目前在制作 PPT 方面，没有绝对的“最好”的大模型。例如，Claude 3.7 在将 PDF 转换为 HTML 方面效果较好，但国内用户使用不太方便，可改用 DeepSeekR1 实现。某上市公司使用某互联网大厂研发的千亿 AI 大模型产品声称能 3 分钟制作 PPT，但接入公司系统时出现“一连接就死机”的情况。同时需要注意的是，过去几个月内国内的 AI 大模型在某些方面大同小异，且大部分远未达到可商用化程度。
2025-04-13
画图那个ai最好
目前在 AI 绘画领域，没有绝对最好的工具，不同的工具各有其特点和优势。以下为您介绍一些常见的 AI 绘画工具： Stable Diffusion：有多种相关的插件，如脸部修复插件 After Detailer、UI 界面美化插件 Kitchen、高宽比锁定插件 Aspect Ratio、提示词自动翻译插件 promptallinone、最强控制插件 ControlNet 等，可满足不同的需求。 Photoshop 2023 Beta 爱国版：在某些方面表现出色。 即梦 3.0：在中文场景下有较好的表现，不仅提升了大字的准确性、设计感和丰富度，还大幅改善了小字的稳定性问题。相比即梦 2.1 和 GPT4o 在中文场景中的表现，即梦 3.0 更具优势。 您可以根据自己的具体需求和使用场景选择适合您的 AI 绘画工具。
2025-04-11
请帮我生成一个大三毕业论文的题目，专业是关于计算机应用的，技术栈：Python（Pandas/Matplotlib），MYSQL,生成可视化图表，可生成HTML网站，包含数据分析，需要有最基本的功能，最好与生活中的某些东西联系起来
以下是为您生成的几个与生活相关的计算机应用专业大三毕业论文题目，供您参考： 1. 《基于 Python 和 MySQL 的居民日常消费数据分析及可视化网站构建》 2. 《利用 Python 和 MySQL 分析城市交通流量数据并实现可视化与网站展示》 3. 《基于 Python 和 MySQL 的家庭能源消耗数据分析与可视化网站设计》 4. 《运用 Python 和 MySQL 对校园图书馆借阅数据的分析及可视化网站开发》 5. 《通过 Python 和 MySQL 研究城市空气质量数据的可视化分析与网站实现》
2025-04-11
准确的讲述垂直大模型的概念，国内外的应用现状、场景，发展趋势，最好能附带图片。内容尽量详细、逻辑通顺。
垂直大模型是专注于特定领域的大模型，例如小语种交流、临床医学、AI 蛋白质结构预测等。 在国内，大模型分为通用模型如文心一言、讯飞星火等，处理自然语言；也有垂直模型专注特定领域。 大模型因其强大的语言理解和生成能力，在多个领域和应用场景中表现出色。比较火的应用场景包括： 1. 文本生成和内容创作：撰写文章、生成新闻报道、创作诗歌和故事等。 2. 聊天机器人和虚拟助手：提供客户服务、日常任务提醒和信息咨询等服务。 3. 编程和代码辅助：代码自动补全、bug 修复和代码解释。 4. 翻译和跨语言通信：促进不同语言背景的用户之间的沟通和信息共享。 5. 情感分析和意见挖掘：为市场研究和产品改进提供数据支持。 6. 教育和学习辅助：创建个性化的学习材料、自动回答学生问题和提供语言学习支持。 7. 图像和视频生成：如 DALLE 等模型可以根据文本描述生成相应的图像，甚至在未来可能扩展到视频内容的生成。 8. 游戏开发和互动体验：创建游戏中的角色对话、故事情节生成和增强玩家的沉浸式体验。 9. 医疗和健康咨询：理解和回答医疗相关的问题，提供初步的健康建议和医疗信息查询服务。 10. 法律和合规咨询：帮助解读法律文件，提供合规建议，降低法律服务的门槛。 关于发展趋势，尽管当前市场以基础大模型为主，但将大模型与行业专业知识结合，以满足不同行业的需求，成为未来发展的关键。例如腾讯研究院的《行业大模型调研报告》指出，如何将大模型与行业专业知识结合是重点。同时，在发展过程中也需要注意其在隐私、安全和伦理方面的挑战。 很抱歉，暂时无法为您提供相关图片。
2025-04-11
我应该如何开始0-1学习AI绘画？当前最好用的工具是什么？
以下是一些关于 0 1 学习 AI 绘画的建议和当前好用的工具： 您可以通过观看相关视频教程来入门，比如： “10 分钟教会你如何手把手撰写提示语，全网最细 ChatGPT 对话指南，保姆级教程！” ，视频使用到的 AI 工具包括 AI 提示语，平台链接： 。 “零基础 AI 绘画入门，Midjourney、Stable Diffusion，小白速成，一站式使用和最强入门教程” ，视频使用到的 AI 工具包括 AI 提示语，一个无需魔法上网的 AI 绘画工具，平台链接： 。 目前，Midjourney 和 Stable Diffusion 是比较受欢迎的 AI 绘画工具。
2025-04-10
请问有什么AI最新在零售行业的应用，最好有趣，实用有建设性
以下是 AI 在零售行业的一些有趣、实用且有建设性的最新应用： 1. 舆情、投诉、突发事件监测及分析：通过 AI 技术实时监测和分析消费者的反馈和市场动态，帮助企业及时做出应对策略。 2. 品牌营销内容撰写及投放：利用 AI 生成吸引人的营销文案，并精准投放到目标受众。 3. 自动化库存管理：基于历史销售数据和其他相关因素，预测未来的库存需求，优化库存配置，降低成本。 4. 自动生成或完成 SKU 类别选择、数量和价格分配：提高商品管理的效率和准确性。 5. 客户购物趋势分析及洞察：深入了解消费者的购物偏好和趋势，为企业的产品开发和营销策略提供依据。 此外，在医疗药品零售领域，AI 也有广泛的应用： 1. 药品推荐系统：根据用户购买记录和症状描述等数据，推荐合适的非处方药品和保健品，提高销售转化率。 2. 药品库存管理：分析历史销售数据、天气、疫情等因素，预测药品需求量，优化库存策略。 3. 药品识别与查询：借助计算机视觉技术，用户通过手机拍摄药品图像即可获取相关信息。 4. 客户服务智能助手：基于自然语言处理技术，回答顾客关于购药、用药、保健等常见问题。 5. 药店运营分析：分析销售、顾客流量、库存等大数据，发现潜在问题和优化空间。 6. 药品质量监控：利用机器视觉、图像识别等技术检测药品的包装、标签、颜色等是否合格。 7. 药品防伪追溯：利用区块链等技术实现全流程的药品溯源，保障药品供应链的安全和可信度。 总之，AI 技术在零售行业的应用能够提升购物体验、优化运营管理、降低成本，并为企业创造更多的价值。
2025-04-10
目前全世界最厉害的对视频视觉理解能力大模型是哪个
目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。
2025-04-15
目前全世界最厉害的视频视觉理解大模型是哪个
目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。
2025-04-15
目前全世界最厉害的视觉理解大模型是哪个
目前在视觉理解大模型方面，较为突出的有 DeepSeek 的 JanusPro 模型，它将图像理解和生成统一在一个模型中；还有通义千问的视觉理解模型，其价格有较大降幅。此外，Pixverse V3.5 是全球最快的 AI 视频生成模型，在某些方面也展现出了出色的能力。但很难确切地指出全世界最厉害的视觉理解大模型，因为这取决于不同的评估标准和应用场景。
2025-04-15
完全免費的AI工具目前有哪些
目前完全免费的 AI 工具包括： 1. 麻省理工学院（MIT）为 8 18 岁孩子推出的 AI 课程 Day of AI，包含在 MIT 的 RAISE 项目中。不过该课程资源主要面向家长和老师群体，大孩子可自学，小孩子可能需要家长辅助。 2. 元子提到的一些能让普通人最低成本直接上手试的 AI 工具，包括聊天工具、绘画工具、视频工具、音乐工具等，但未具体指明具体的工具名称。
2025-04-13
gemini-2.5目前是什么水平
Gemini 2.5 是一款全能思考模型，具有以下特点和优势： 多领域达到 SOTA 水平，逻辑、代码、任务处理能力大幅提升。 支持 100 万 tokens 上下文，具备强大的阅读能力。 统一架构原生多模态支持，图文音码协同处理，并非外挂而是原生融合。 您可以通过以下链接获取更多详细信息：https://www.xiaohu.ai/c/xiaohuai/googlegemini25proexperimental
2025-04-13
AI行业目前的产业链是怎么样的
AI 行业的产业链大致可分为上游的基础设施层（数据与算力）、中游的技术层（模型与算法）、下游的应用层（应用与分发）。 上游基础设施层：布局投入确定性强，但涉及海量资金投入，入行资源门槛高，未来国内可能更多由“国家队”承担重任。普通人若无强资源，可考虑“合作生态”的切入机会。 中游技术层：处于技术爆炸阶段，迭代速度极快。规模不大的团队或个人需慎重考虑技术迭代风险，基础通用大模型非巨无霸公司不建议考虑，竞争激烈，最终赢家通吃。 下游应用层：是广阔蓝海，尽管从业者增加并涌现出一些产品，但针对行业/细分领域的成熟应用产品不多，“杀手级”应用稀少。普通个体和小团队强烈推荐重点布局，拥有超级机会和巨大发展空间。 此外，据 SensorTower 统计，2024 全年全球 AI 移动应用内付费收入预计为 30 亿美元，图像和视频类 AI 应用占据主导地位，对话机器人类别排名第二。从地区分布来看，北美和欧洲贡献了三分之二的市场份额。 美国红杉资本指出，AI 供应链从下到上分为六层，各层盈利能力存在显著差异。第一层的芯片代工厂和第二层的芯片设计商保持高利润水平；第三层的工业能源供应商受益良多；第四层云厂商处于重金投入阶段；第五层的 AI 模型开发商面临亏损；第六层的应用服务商充满潜力，但市场规模有限。大型云厂商是整个供应链的“链主”。行业格局方面，头部阵营基本稳定。
2025-04-13