AI Breakthroughs Everyone Missed
三句話摘要
分享最近發現、未登主流新聞的 AI 研究專案與工具,涵蓋語音表演、人物動畫、世界模型、3D 重建與遊戲引擎等領域。 小型研究專案藉由拆分職責(遊戲引擎、AI 渲染、記憶查詢)與泛化學習,正逐漸解決大模型單獨處理的記憶、一致性與效率瓶頸。 語音與影像的精細控制——Fish Audio Drama 3 突破傳統情感下拉菜單限制,讓創作者用自然語言精確指導表演細節,甚至控制特定詞彙的音效,對遊戲對白與有聲書製作實用性提升。
重點整理
語音與影像的精細控制——Fish Audio Drama 3 突破傳統情感下拉菜單限制,讓創作者用自然語言精確指導表演細節,甚至控制特定詞彙的音效,對遊戲對白與有聲書製作實用性提升。
世界模型的一致性突破——Worldcrafter 透過位置感知的記憶查詢,讓 AI 重新進入畫面時記起之前的狀態,解決長期以來世界模型物體消失與環境變化的核心問題,3D 點雲重建驗證一致性有效。
分工模式優於全能模型——Matrix Game 與 Nvidia 都棄用單一 AI 模型處理所有邏輯,改由遊戲引擎掌管物理、狀態、規則,AI 只負責視覺渲染,大幅減少模型記憶負擔與計算複雜度。
3D 生成的泛化學習——Telescope 等新模型不再費時調整個別場景,而是學習通用表面特性與物理規律,能補齊缺失影像並處理反光、玻璃等傳統方法的弱點。
實用技巧與重點
- Fish Audio Drama 3
- 參數:36 億參數
- 硬體需求:46GB VRAM(或 32GB 搭配 4bit 量化版本)
- 授權:商用免費(年收入不超過 50 萬美元)
- API 定價:10 美元/百萬字符(啟動折扣),11 月 12 日後升至 50 美元
- 網址:fish.audio/drama3
- Omnihuman 2.0
- 性能提升:從 60 秒延伸至 5 分鐘連續拍攝
- 解析度:720p
- 定價:7 美分/秒(前版本 12 美分/秒);5 分鐘完整視頻約 21 美元
- 平台:Byte Plus API
- Worldcrafter
- 開源:GitHub + Hugging Face 可用
- 主要改進:相機位置查詢型記憶機制
- 測試基準:145 個場景
- Matrix Game 4.0
- 參數:各遊戲各 50 億參數
- 解析度:480×864
- 硬體:RTX 5090
- 遊戲類型:中世紀城堡射擊、古埃及射擊、城市競速
- 授權:Apache 2.0(可商用)
- 平台:Hugging Face Space
- Nvidia Stream Render H3
- 硬體:8×L40S GPU(資料中心等級)
- 每步驟耗時:218 毫秒
- 訓練範圍:僅賽車
- Telescope
- 輸入需求:50-256 張照片
- 方法:多解析度分層細化
- 特色:處理反光/玻璃表面
- 其他
- Odyssey 3:experience.odysseys.systems
- Gaussy Animate:GitHub 開源,研究用途
- World Gasha:免費瀏覽器工具,支援 PNG/SVG/3D 物體檔案匯出
結論
小型研究專案藉由拆分職責(遊戲引擎、AI 渲染、記憶查詢)與泛化學習,正逐漸解決大模型單獨處理的記憶、一致性與效率瓶頸。
完整解析
本影片講者打破慣例,放棄聚焦大型實驗室的主流新聞,反而深入展示近期發現的冷門但精采的 AI 與科技研究。起點是 Fish Audio Drama 3,一套文字轉語音模型推翻傳統情感選單設計,改採劇本註解的自然語言指導——創作者可在方括號內寫下「勉強撐著、假裝微笑」這類表演指示,模型便據此調整語調、停頓與細節,甚至容許針對特定詞彙的音效注入(如耳語、笑聲、顫抖呼吸)。人工分析顯示其發音精度領先業界,但盲測偏好度仍落後其他模型,反映精準度與自然度的權衡。
進入視覺領域,Byte Dance 的 Omnihuman 2.0 從單張照片加音訊生成人物表演視頻,核心突破是從 60 秒擴展至 5 分鐘連續鏡頭,省去拼接多段短片的工程;支援唱歌、文字提示控制攝影機與背景增補,但唇語同步仍有改善空間,定價降至 7 美分/秒。隨後引入世界模型熱潮——Tencent Worldcrafter 透過位置感知記憶查詢,解決「轉身後景物消失」的經典問題;3D 點雲重建驗證其一致性有效,且能追蹤移動物體跨鏡頭邊界。
講者並列對比兩種遊戲引擎融合 AI 的架構:Skyworks Matrix Game 4.0 由遊戲引擎繪製低解析度幾何,AI 負責視覺美化,因此物理狀態由引擎掌管、景物不消失;Nvidia Stream Render H3 更進一步,僅傳遞色彩編碼地圖(每像素一顏色代表路面/草地/障礙),AI 從零繪製全景,允許換膚重構整個場景。兩者都達成 1-2 分鐘無切割遊戲會話,但出發點相反——前者保留 3D 幾何、降低 AI 負擔;後者最小化引擎資訊、放大 AI 創意空間。
3D 重建領域,Preferred Networks 的 Telescope 從 50-256 張照片超越高斯拼接生成高細節網格,通過多解析度分層精化與學習通用表面模式,克服反光與玻璃難題。同時 Gaussy Animate 針對鬆散衣著、動物等軟性外層搭配剛性骨架的角色,於標準骨骼骨架外添加浮動節點模擬布料流動物理。尾聲介紹非 AI 工具 World Gasha——隨機生成虛構地區的浏覽器應用,支援漫畫線條、城市街景、3D 物體匯出,可作為 AI 影像/影片模型的前置世界建構層。


