Canonical 正在为 Ubuntu 26.10 开发名为 Myna 的语音转文本解决方案。Myna 提供可靠的桌面语音输入功能，用户可通过快捷键自然说话，实时转换为文本。该项目支持本地语音模型处理，无需互联网连接，初期专注于语音转文本功能。

本文介绍了如何使用QVAC SDK在移动设备上实现离线文本转语音（TTS）功能。由于云服务成本高和延迟问题，作者开发了本地解决方案。QVAC允许在设备上直接运行AI模型，避免对外部API的依赖。文章详细阐述了项目设置、模型加载、音频处理及用户界面实现，强调了本地生成语音的隐私和成本优势。

本文讨论了GPT模型的结构及其自回归文本生成过程。GPT基于Decoder架构，采用贪婪解码和集束搜索策略生成文本。通过右移输入实现自回归，模型将输入和输出视为一个长序列，适用于多种生成任务。GPT的核心在于利用Causal Mask实现并行计算，简化了传统的编码-解码结构。

Google于6月11日开源了基于离散扩散技术的文本生成模型DiffusionGemma。该模型具有高效的生成速度，能够以最高1100 Token/s的速度同时生成整个文本块，采用26B参数的混合专家设计，支持256K Token长上下文和多模态输入。尽管标准版Gemma 4在生成质量上更优，DiffusionGemma展示了新的发展方向。

本文介绍了如何使用scikit-LLM库进行多标签文本分类，利用大型语言模型（LLM）进行零-shot推理，无需标记训练数据。文章阐述了多标签分类的定义及其重要性，配置scikit-LLM的方法，以及如何加载真实数据集进行情感预测。通过示例，展示了为文本分配多个情感标签的简便性和高效性。

谷歌AI团队发布了DiffusionGemma，一个260亿参数的开源文本生成模型。该模型采用文本扩散技术，支持并行生成，速度比传统自回归模型快4倍，适用于在线编辑、快速迭代和长文档分析等场景。尽管生成速度快，但输出质量低于标准Gemma 4，谷歌建议在生产中使用后者。

Google DeepMind 发布了新款多模态模型 Gemma 4 12B，参数为120亿，但在多项测试中表现接近260亿参数的模型。其无编码器架构显著降低了推理延迟和内存占用，支持音频输入，并可在普通笔记本上运行，降低了部署成本，为开发者提供了接近顶级性能的选择。

微软 AI 团队提出了「爬山机器」框架，并训练了参数达到 1T 的 MoE 模型 MAI-Thinking-1。该模型通过自适应熵控制的强化学习，在无第三方数据的情况下实现了长期稳定的性能增长，并在多个基准测试中取得领先水平。

Miso Labs发布了MisoTTS，这是一款拥有80亿参数的文本转语音模型，采用残差矢量量化技术，能够根据文本和音频上下文生成富有表现力的语音。该模型的词汇量可扩展至约2048³²，支持半双工传输，API访问正在开发中。

Ubuntu 26.10 将推出语音输入功能，用户可以通过说话代替打字。该功能由 AI 语言解析模型支持，旨在提升可访问性和便利性。此外，Canonical 还计划在后台添加隐式 AI 功能，以改进摄像头对焦和麦克风质量。

西湖大学的张岳团队推出了智能科研插图生成系统AutoFigure，旨在解决高质量科研插图的生成难题。该系统基于长篇科学文本，确保插图的逻辑结构准确且视觉美观。此外，团队发布了FigureBench数据集，包含3300组科学文本与插图配对样本，支持科研插图的自动生成。

本文比较了三种文本分类方法：传统的TF-IDF与逻辑回归、基于BART的零-shot分类和使用scikit-LLM的零-shot分类。研究表明，scikit-LLM在分类准确性（0.86-0.87）和速度上优于其他方法，适合处理数据量小且需要深度语言理解的任务。

NVIDIA 最近推出了视觉语言定位模型LocateAnything-3B，拥有30亿参数，支持多种视觉定位任务。其核心创新为并行框解码（PBD），显著提升了定位精度和解码速度，尤其在复杂场景下表现优异，推动了视觉定位技术的发展。

这篇文章讨论了CodeWF.Markdown和Vex在Markdown导出过程中的技术改进，解决了图片导出和剪贴板格式的问题。改进后，导出的PDF和Word文件中的图片能够随文件保存，确保离线查看时不丢失。同时，复制到微信公众号等平台时，内容以富文本格式粘贴，避免显示HTML源码。这些改进提升了用户的写作体验和导出质量。

AI可以直接生成HTML网页，提升用户体验。用户通过简单提示可以获取更直观的信息，如购物清单和旅游行程。未来，AI可能还会生成视频和交互式模拟器，进一步简化信息获取过程。

Qwen系列模型最新升级为Qwen3-VL，在视觉理解和视频处理方面有显著提升。引入多维旋转位置编码（MRoPE）和DeepStack技术，增强了对复杂场景的推理能力，支持长文档和长视频处理，具备更高的上下文长度和精确的时间定位能力，推动多模态理解的进步。

本文介绍了一种视觉自监督学习方法——文本条件JEPA（TC-JEPA），该方法通过图像标题减少特征预测的不确定性。TC-JEPA利用细粒度文本调节器，使图像特征更具语义意义，从而提升下游任务的表现和训练稳定性。该方法在视觉理解和推理任务中优于对比学习，展示了新的基于特征预测的视觉-语言预训练范式。