音频解码器将Mel频谱、离散token或连续潜表征重建为波形，主要通过重构训练建立。声码器（如HiFi-GAN、BigVGAN、Vocos）从声学特征合成波形；离散编解码器（如EnCodec、DAC）联合学习表征与重建；VAE保留连续潜空间。生成模型可复用这些解码器，或经DiT级联生成Mel、潜表征再解码。流式解码通过因果、有限前视与分块满足低时延；针对预测表征微调解码器可提升生成质量。

VAST公司推出V·STAR人才计划，招募年轻研究者聚焦3D生成基础模型、三维理解与智能体、世界模型三大方向。其Tripo P系列实现原生四边面拓扑生成，相关论文获SIGGRAPH收录；开源EdenLive渲染器支持实时长时连续生成。公司强调让年轻人主导核心项目、参与技术判断，并提供数据、算力与薪酬期权支持。

Strata 0.2.7.1 发布，新增支持 NVIDIA DGX Spark，并让 Apple 芯片 Mac 可运行 DeepSeek V4.1-Flash。0.2.7 版重点优化 12GB 及以下显存的 NVIDIA 显卡，RTX 3060 生成代码速度提升 37%，普通文本提升约 15%；原理是优先选用已驻留显存的专家模型，代价是 Agent 任务通过率略降。此外还优化了 DeepSeek 提示词处理，新增超长上下文选项和网页聊天功能。

文章回顾了从CosyVoice到Qwen-Audio-3.0-TTS四代语音系统的演进，主线是在“LM语义规划+FM声学渲染”框架下接口的持续升级：CosyVoice用有监督语义码本解决表征问题；CosyVoice 2以FSQ和职责重划支持流式；CosyVoice 3扩大数据与模型规模并引入后训练；Qwen-Audio-3.0-TTS降低帧率、扩大容量，以连续隐状态作为渲染条件。作者据此提出表征、归属、可用时序、梯度可达四维接口框架。

宾夕法尼亚州州长夏皮罗签署《人工智能欺骗性广告法》，要求经AI显著修改或生成的广告（图像、视频、音频或文字）以相同形式标注，适用于大公司电视广告及小商户传单，不论制作地，只要在宾州播出即需披露。但法律存在漏洞：“显著修改”标准主观，豁免模仿、讽刺、评论及“明显虚构”内容，“虚假消费者认知”的界定与判定主体不明确。

AIGC指用AI生成内容，文生图只是其中一种。文章以小螃蟹为例介绍文本、图像、视频、音频、3D、多模态和代码七类生成能力，每类需说明产物与生成条件，并检验事实、连续性、读音、三维数据、运行行为等是否可用；生成后还要追问如何检验其可用性。

文章以一道小学数学题为例，指出AI生成内容虽答案正确、格式合规，但讲解过程可能出错，且自动检查难以发现。作者提出划界、断言化、证据契约、状态设计、闭环五步方法，将讲解质量拆解为可判定断言，并借助Amazon Bedrock AgentCore在AWS上落地评估链路，实现可追溯、可门禁的质量判定。

JetBrains 与隆德大学研究指出，审查 AI 生成代码的核心难题是信任校准，而非理解改动。传统 diff 视图难以应对大模型输出，因模型对不确定代码也表现一致自信。研究基于17名从业者工作坊和43人调查，提出三层审查框架：先概览、再按文件风险分层、最后按需细查代码片段，以合理分配审查精力。

Suno推出语音生成功能Speech，已在网页和移动端公测。用户输入脚本或描述后，可同时生成配音与背景音乐，音乐可关闭。该功能提供简单和高级两种模式，可调整语音性别、风格等，最长约八分钟。官方表示功能尚不完善，将根据反馈改进。

哲学家Gambarotto认为，认知的基础是生命体的自创生与适应性，而非计算。大语言模型虽能调整权重和优化输出，但无法自我维系，缺乏约束闭合与生存压力，故不具备真正认知。章鱼因神经系统分散难以演化出复杂意识，脊椎动物则因躯体结构启动自我强化循环。结论：没有生命，就没有认知的根基。

清华大学与生数科技推出 Vidu S2，包含 Avatar 和 Editing 两个模型，支持实时 720p 数字人生成、动态参考图更新、视频流风格迁移、虚拟试穿、人物与背景替换，以及实时空间视频生成。本周还推荐了 NCP-ArchPreview、SenseNova-U1.5、Benchmark Radar、Atria Dawn、Dream-RSI 等 8 篇 AI 前沿论文。

Modular 发布 26.6 版本。Mojo 1.1 开放编译器外部贡献，内部问题迁至 GitHub 公开。MAX 26.6 新增音频生成，支持 MiniMax-Music3 文本生成音乐，并支持 Inkling 等新模型架构及投机解码。性能提升：NVIDIA B200 上 Gemma 4 解码注意力快 4.8 倍，MoE 路由快 7.9 倍；AMD MI355 解码注意力投影快 6.6 倍。modular 包已弃用，改用 max["all"] 等安装。

OpenAI推出Images 2.5图像生成模型，生成速度提升50%，改进透明背景和多轮编辑稳定性，能更好保留主体特征。API提供Flare和Sunburst两种模型，分别面向通用和精细编辑场景。目前每周生成图片超30亿张。

OpenAI发布ChatGPT Images 2.5，图像生成速度翻倍，每周产出超30亿张AI图片，引发对造假成本降低和“眼见为实”崩塌的担忧。新功能如草图生成和精准编辑降低门槛，但官方示例图存在缺陷，安全水印易被去除。技术虽中性，却可能导致视觉世界单调、记忆失真，使所有图像可信度下降。

Seedance是字节豆包系的视频生成模型，支持文生视频、图生视频、首尾帧及真人参考。通过Ace Data Cloud的API接口调用，需获取Token，首次有免费额度。支持异步任务，可轮询获取结果。2.0/2.5版本支持多模态参考和视频编辑，参数包括分辨率、比例、时长等。适用于短视频、电商展示和有声短片制作，真人参考功能尤其适合批量内容创作。

本文介绍Suno歌词生成API的对接方法。该API通过输入prompt（如“A song about winter”）自动生成歌词，支持default和remi-v1两种模型。返回结果包含多个候选歌词，每个含text（歌词内容）、title（标题）和tags（曲风标签）。生成歌词后，可配合Suno Audios Generation API进行自定义歌曲创作。