

> 谷歌正式发布专注于音频生成的增强版大模型Lyria 3 Pro。该模型突破了短乐句限制，具备长音频结构化编排能力，推动生成式AI从辅助工具向独立制作人角色演进。

## 结构化意识突破创作瓶颈

生成式AI在音频维度的技术迭代，正全面跨越短片段生成的浅水区。本周，谷歌旗下AI实验室DeepMind正式公开了增强版音乐大模型Lyria 3 Pro。相较于前代产品，该模型不仅在底层音质上实现了代际跃升，更在结构意识层面取得了实质性突破，展现出处理并输出具备完整逻辑长音频的强大能力。

以往的AI音乐生成工具普遍受限于30秒左右的输出时长，产出内容往往缺乏音乐作品应有的起承转合。Lyria 3 Pro的问世彻底打破了这一桎梏。

**结构化创作** 用户目前可利用该模型从宏观视角编排歌曲的完整架构，精准控制前奏、主歌、副歌以及过渡桥段的起落。
**长音频处理** 模型原生支持更长时值的音频生成，确保输出内容不再是割裂的旋律碎片，而是符合商业发行标准的完整曲目。
**高保真输出** 全面支持24-bit母带级音质，直击专业音频后期的基础需求。

![22.png](https://static.downly.cn/images/c76fe355a7f0d37a8e1dec53f8fea4b2.png)

<center>图源备注：图片由AI生成</center>

## 多模态交互降低专业门槛

依托谷歌深厚的多模态技术储备，Lyria 3 Pro将复杂的音乐工程操作转化为极其直观的交互体验。

**意图理解** 创作者仅需输入一段高度凝练的文本描述，涵盖特定曲风、情绪色彩或节奏动势，AI便能敏锐捕捉并具象化其创意。
**极速反馈** 从概念构思到音频生成的转换效率被大幅优化，极大缩减了商业音乐制作的初稿打样周期。

## 行业生产线迎来颠覆式变革

从年初推出初版模型到如今的Pro版本跃升，谷歌在AI音频赛道的商业化步伐正显著提速。对于自媒体与内容创作者而言，这无疑是一款极具价值的降本增效工具。而对于传统唱片工业，Lyria 3 Pro展现出的结构化创作实力释放了明确的信号，当机器能够精准理解副歌的爆发点与前奏的情绪铺垫时，人类音乐人的核心竞争力将加速向更深层的艺术定义与情感共鸣转移。

谷歌DeepMind推出Lyria 3 Pro 多模态大模型重构数字音乐生产链



> 导语：Meta 推出全球首个统一多模态音频分离模型 SAM Audio，支持通过文本、点击画面物体或标记时间段来精准提取特定声音，并同步开源了相关评测工具。

## 听觉与视觉的深度融合

Meta 正式推出音频处理领域的重磅突破——SAM Audio。这是全球首个统一的多模态音频分离模型，它能让用户像“用眼睛听声音”一样，从一段混杂的视频或音频中一键提取出任意目标声音。这项技术首次将人类自然感知声音的方式——看、说、指、选，完整复刻到了 AI 系统中。

![Google_AI_Studio_2025-12-18T01_47_02.699Z.png](https://static.downly.cn/images/25383f0567f49638cafac2694e53be1f.png)

<center>图源备注：图片由AI生成</center>

SAM Audio 的核心是其自研的感知编码器视听（PE-AV），被 Meta 称为模型的“耳朵”。该引擎首次将高级视觉理解能力与音频信号深度融合，实现了跨模态的声音定位与分离。

## 三种直觉化交互方式

SAM Audio 支持三种直觉化交互方式，可单独或组合使用

*   **文本提示** 输入“人声演唱”、“汽车喇叭”等语义描述，自动提取对应声源。
*   **视觉提示** 在视频画面中点击发声物体（如说话的人、敲鼓的手），系统即分离其音频。
*   **时间片段提示** 行业首创功能，通过标记目标声音出现的时间区间，模型自动处理整段录音中的同类声音。

## 推动音频技术标准化

为推动技术发展，Meta 同步开源了两大关键工具

*   **SAM Audio-Bench** 首个基于真实场景的音频分离评测基准。
*   **SAM Audio Judge** 全球首个专用于音频分离质量的自动评估模型。
![Google_AI_Studio_2025-12-18T01_47_50.570Z.png](https://static.downly.cn/images/40c80bf8834171075384a71761521227.png)

<center>图源备注：图片由AI生成</center>

## 重塑感官体验的新起点

PE-AV 引擎不仅是 SAM Audio 的底层核心，未来还将赋能 Meta 的字幕生成、视频理解与智能剪辑系统。它的开源意味着开发者可构建从自动消噪会议记录到沉浸式 AR 音频交互的各种应用。在视频内容爆炸式增长的今天，SAM Audio 的出现标志着音频处理正式进入“可交互、可编辑、可理解”的新时代。

Meta 发布 SAM Audio 音频处理黑科技 点击画面即可分离声音



> **导语** 随着苹果M5芯片的发布，端侧AI处理能力实现了前所未有的四倍性能飞跃，为个人设备带来了更强的本地智能体验。与此同时，谷歌DeepMind与耶鲁大学的合作揭示了AI在癌症治疗中的新潜力，而AMD与甲骨文的合作则预示着AI算力基础设施的又一次大规模扩展。从AI驱动的“数字孪生”提升工作效率，到Anthropic高性价比模型的推出，再到VSCO为专业影像编辑注入智能，AI技术正以前所未有的深度和广度，重塑着从个人应用到企业服务的方方面面。



<center>图源备注：图片由AI生成</center>

## 苹果M5芯片引领终端侧AI性能革命
苹果公司正式发布了采用先进3纳米工艺的M5系列芯片，其AI性能实现了惊人的“四倍飞跃”。这款芯片的图形处理器在处理AI相关任务时速度提升超过400%，同时其16核神经网络引擎达到了每秒38万亿次的运算速度。这一突破性进展将极大地增强MacBook Pro和iPad Pro等设备的本地AI处理能力，加速终端侧的智能化体验，让用户在设备上就能享受到更强大、更高效的AI功能。

![image.png](https://static.downly.cn/images/ced31d5816d251e57e1d8a9d2f9dc99e.png)
<center>图源备注：图片由AI生成</center>

## DeepMind联手耶鲁大学，AI模型发现癌症治疗新思路
谷歌DeepMind与耶鲁大学的最新合作研究取得了重大突破。他们共同开发的C2S-Scale27B模型，基于强大的Gemma架构，在单细胞分析领域展现出卓越的能力。该模型成功发现，药物Silmitasertib在特定条件下能够充当“条件增强剂”，有效激活人体免疫系统，使其能够精准识别并清除癌细胞。这一发现为癌症治疗提供了一个全新的、充满希望的方向。

![image.png](https://static.downly.cn/images/efc842eb558c36bca4e4998307818a6e.png)
<center>图源备注：图片由AI生成</center>

## AMD与甲骨文强强联合，五万AI芯片部署计划启动
AMD在AI市场的布局再下一城，宣布与甲骨文达成重大合作协议。根据协议，甲骨文将从2026年第三季度开始，在其数据中心大规模部署5万块AMD Instinct MI450 AI芯片。此次部署将采用新一代的“Helios”机架系统。这一战略举措不仅将显著推动AMD在人工智能市场的增长，也使其与行业领导者英伟达的竞争进入了新的阶段。

![image.png](https://static.downly.cn/images/0db112ed180577562dd0ae6eb270eef1.png)
<center>图源备注：图片由AI生成</center>

## AI数字孪生解决职场协作痛点，Viven获3500万美元融资
初创公司Viven凭借其创新的AI驱动“数字孪生”技术，成功获得3500万美元种子轮融资。该公司利用大语言模型和先进的隐私保护技术，为员工创建数字替身。这个“数字分身”能够在员工休假或因时区不同而无法及时响应时，填补关键信息的空缺，确保项目沟通顺畅、工作持续推进，从而有效解决员工“不在场”的痛点，为企业节省了宝贵的时间与成本。

![image.png](https://static.downly.cn/images/47c3596f0edda01f97c0b61212ec7cda.png)
<center>图源备注：图片由AI生成</center>

## Anthropic推出Haiku 4.5模型，性价比优势凸显
Anthropic公司发布了其最新的轻量化AI模型Claude Haiku 4.5。该模型以其卓越的性价比脱颖而出，仅需同系列Sonnet 4模型三分之一的价格，就能提供与之相媲美的强大编程能力。Haiku 4.5专为需要低延迟和快速响应的实时应用场景设计，如在线聊天助手和客户服务系统，成为了Claude系列中平衡性能与成本效益的理想解决方案。

![image.png](https://static.downly.cn/images/c550d6407449964b0f21bcd565e14af9.png)
<center>图源备注：图片由AI生成</center>

## Anthropic商业前景广阔，年收入或将迎爆发式增长
据预测，由前OpenAI员工创立并专注于安全AI技术研发的Anthropic公司，正迎来其商业化的快车道。公司预计到2025年底，其年化收入有望达到90亿美元，而到2026年，这一数字更可能飙升至惊人的260亿美元。这一强劲的增长预期，充分彰显了Anthropic在人工智能领域的巨大发展潜力和广阔的市场前景。

![image.png](https://static.downly.cn/images/b06230fbec93cc6827cc38f130a8186e.png)
<center>图源备注：图片由AI生成</center>

## VSCO发布AI Lab，开启智能图像编辑新时代
知名摄影应用VSCO正式推出了名为“AI Lab”的全新工具集，标志着专业级图像编辑进入了智能化时代。该工具集利用了先进的人工智能技术，如智能对象移除，允许专业摄影师在高分辨率的RAW文件上进行精细且非破坏性的编辑。这一创新极大地提升了专业创作者的工作流程和效率，让复杂的图像处理变得更加简单和智能。

![image.png](https://static.downly.cn/images/f4a0790c61ae6de8bab15f3bf29a6c34.png)
<center>图源备注：图片由AI生成</center>

## 谷歌Flow视频工具升级，光影音频编辑更强大
谷歌对其AI视频生成工具Flow进行了重要升级。新版本增加了灵活的光影编辑功能，让用户能够更精细地调整视频中的光照效果，显著提升了生成视频的真实感和艺术感。同时，音频处理功能也得到了大幅增强，使得视频创作的灵活性和最终效果都迈上了一个新台阶，内容生成更加自然生动。

![image.png](https://static.downly.cn/images/a0fa0e3b9a202c434c6c94245c04f16b.png)
<center>图源备注：图片由AI生成</center>

## 谷歌加速AI产品部署，VEO 3.1版本即将上线
有消息称，谷歌正准备在Gemini和相关API上发布其最新的VEO 3.1 AI模型。用户已在Gemini应用中发现了与新功能相关的免责声明，预示着此次更新将很快整合到用户熟悉的界面中。此外，在谷歌的Vertex AI平台上也出现了对VEO 3.0预览模型的引用，种种迹象表明，谷歌正在全力加速其先进AI产品的开发与部署。

![image.png](https://static.downly.cn/images/91e604931778512e499c34a253236d76.png)
<center>图源备注：图片由AI生成</center>

## Airtel与IBM携手，共促云计算与AI创新
印度电信巨头Airtel与科技巨头IBM达成战略合作，旨在共同推动云计算和人工智能技术的创新。此次合作将充分利用IBM强大的云基础设施与AI技术，并结合Airtel在电信领域的网络可靠性及数据本地化优势。双方将共同提升Airtel Cloud服务能力，帮助金融、医疗等受严格监管的行业企业高效、安全地扩展其AI工作负载。

![image.png](https://static.downly.cn/images/721b0f9623c05e9f61ba52dbb043b105.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1016：端侧AI芯片性能飞跃，AI赋能医疗影像与企业服务迈向新纪元



> 在沉浸式体验领域，视觉和听觉是构成真实感世界的两大支柱。虽然全景视频和 VR/AR 技术的视觉体验日益提升，但与之匹配的沉浸式音频体验却常常滞后。传统的音频录制通常是线性的或基于有限声道，难以准确捕捉和还原复杂三维空间中的声音方位信息。最近，在即将到来的 ICML 2025（国际机器学习大会）上，一项突破性研究引起了广泛关注-科学家们提出了一种创新方法，仅依靠 360° 全景视频作为输入，就能生成逼真的 3D 空间音频，让用户的耳朵仿佛也能“看见”声音的来源和方向。这项技术被称为 OmniAudio。
## 沉浸式体验的“听觉短板”
当前，无论是观看 360° 视频还是体验 VR/AR 内容，我们常常会感受到视觉上的沉浸感，但听到的声音却可能与画面不匹配，缺乏方向感和空间感。例如，画面中一辆车从左边驶过，但声音却可能来自前方或没有明确的方向。这种视觉与听觉信息的不一致，极大地削弱了整体的沉浸效果。
要生成逼真的 3D 空间音频，通常需要复杂的录音设备（如声场麦克风阵列）或手动后期制作，这不仅成本高昂，而且难以应用于大规模的视频内容。
![image.png](https://static.downly.cn/images/20250516023806.901043773.png)
## OmniAudio-让视频“告诉”声音方向
这项创新成果被称为 OmniAudio，其核心理念是利用 360° 全景视频中蕴含的视觉信息来推断并生成对应的 3D 空间音频。研究人员发现，视频中的物体运动、环境变化等视觉线索与声音的产生和传播之间存在潜在的关联。OmniAudio 模型正是学习这种关联性，从而在没有额外音频输入的情况下，仅凭全景视频就能合成具有空间感的音频。
OmniAudio 的主要特点包括-
*   **仅需 360° 全景视频输入-** 无需额外的音频录制设备或复杂的音频处理流程。
*   **生成 3D 空间音频-** 能够预测声音的方位、距离和混响等空间属性。
*   **端到端学习-** 利用深度学习模型直接从视频到音频的映射关系。
*   **潜在泛化能力-** 学习到的模型可能对不同场景和声音类型具有一定的泛化能力。
![image.png](https://static.downly.cn/images/20250516023842.433594588.png)
## 技术原理探秘
OmniAudio 的实现可能涉及以下关键技术-
*   **视频特征提取-** 利用卷积神经网络（CNN）或其他视觉模型从 360° 视频中提取与声音相关的视觉特征，例如运动物体、场景类型、反射表面等。
*   **空间感知建模-** 构建能够理解三维空间结构的模块，将提取的视觉特征映射到声音的空间属性（如方位角、仰角、距离）。
*   **音频生成模块-** 利用生成模型（如变分自编码器 VAE 或生成对抗网络 GAN）根据预测的空间属性和可能的音频内容（例如根据画面中的汽车预测引擎声）合成具有空间感的音频波形。
*   **大规模数据训练-** 在大量的 360° 视频和对应的真实 3D 空间音频数据集上进行训练，使模型学习复杂的视听关联。
![image.png](https://static.downly.cn/images/20250516023933.728953508.png)
## 开启全新的听觉维度-应用前景
OmniAudio 的出现，为沉浸式体验的音频生成开辟了新的可能性，具有广泛的应用前景-
*   **提升 VR/AR 沉浸感-** 为虚拟环境中的声音提供准确的空间定位，使虚拟世界更加真实可信。
*   **优化 360° 视频观看体验-** 让观众在观看全景视频时，能够听到与画面一致的具有方向感的声音。
*   **自动化内容生成-** 降低生成具有空间音频的内容的门槛和成本，促进相关内容的普及。
*   **虚拟会议和远程协作-** 在虚拟空间中提供更真实的音频交流体验。
*   **游戏和模拟训练-** 创造更具代入感的声音环境。
这项研究不仅在技术上取得了突破，更让我们看到了未来如何利用人工智能技术，仅从视觉信息就能构建出丰富的多感官体验。OmniAudio 的出现，让耳朵“看见”方向不再是科幻，而是正在成为现实。我们期待在 ICML 2025 上了解更多关于这项激动人心的工作细节。


搜索结果: 音频处理