腾讯研究院AI速递 20250522

生成式AI 一、 真碾压Sora！谷歌Veo 3直接「开口说话」 物理 遵循 性 更 好 1. Veo 3实现音画同步生成功能，能根据提示词同时生成视频画面、对白、唇动和音效，实 现完整的视听体验； 2. 基于V2A（Video-to-Audio）技术，模型能将视频像素转化为语义信号，配合文本提示生 成匹配音频； 3. 模型支持长提示词理解和多步骤事件流生成，但目前仅限8秒视频，面向美国Ultra订阅用 户开放，定价249.99美元/月。 https://mp.weixin.qq.com/s/rJFwZ1lLiWzFLE7jd4jGyA 二、 12秒1万token！谷歌文本「扩散模型」Gemini Diffusion 1. Gemini Diffusion采用扩散技术生成文本，速度达2000token/秒，12秒可生成1万 tokens； 2. 区别于传统自回归模型从左到右生成，通过逐步优化噪声学习生成输出，可快速迭代和错 误纠正； 3. 性能可与更大的模型Gemini 2.0 Flash-Lite相媲美，支持非因果推理，能一次生成整个标 记块。 https://mp.weixin.qq.com/s/paes ...