AI日报：京东开源实时视频编辑模型，Qwen-Image-3.0正式上线，腾讯混元语音识别再升级

欢迎来到今天的AI日报。今天有多条重磅消息：京东开源了能边播边改的视频编辑模型，阿里Qwen-Image-3.0正式上线，腾讯混元语音识别迎来3.0版本，还有字节、马斯克、影石、Mistral和宇树科技的新动态。一文带你快速过一遍。

Table of Contents

京东开源JoyAI-Video-Edit：视频边播边改成为现实

京东今天开源了自研的实时流式视频编辑模型 JoyAI-Video-Edit。这个模型的核心亮点是「边看边改」——你在看视频的同时，模型就在实时处理画面。720P分辨率下能做到每秒30帧的推理速度，延迟低到可以忽略不计。

更值得关注的是，这个模型还为机器人训练数据的合成提供了一条新路径。以后机器人学习新动作，可能不需要再海量采集真实视频了，直接用JoyAI-Video-Edit生成就行。

阿里巴巴的千问图像生成模型 Qwen-Image-3.0 今天全量开放，API也同步上线。这个模型在文生图榜单里排国内第一，有几个硬指标值得关注：

对于做设计、做内容的同学来说，这个定价基本可以做到「文生图自由」了。

腾讯混元发布的 Hy ASR 3.0 preview 不再只是「把声音转成文字」这么简单，而是真正开始理解语境。多语言词错误率（WER）显著降低，专业场景适配也做了优化，还支持热词注入增强。

简单来说，以前的语音识别是「听到什么转什么」，现在变成了「听到什么、理解什么意思、再转出来」。对会议记录、字幕生成这些场景，体验会好很多。

字节Seed团队推出的 SeedRealtime 是一个原生融合音视频和文本的全双工大模型，已经在豆包App上线。和传统「先听→再想→再说」的级联方案不同，SeedRealtime是端到端的，能同时处理音频、视频和文本。

实际体验上，最明显的改善是「说话节奏」——不会再出现你说完话、模型还在想、然后突然插进来的尴尬停顿。模型还会主动提醒、自然停顿，交互感更像真人。

马斯克在SpaceX首次财报电话会上放话：Grok 4.6下周登场，几周内再发4.7。更狠的是，SpaceX的全部历史数据都会灌入Grok的训练——火箭发射记录、卫星轨道数据、星舰测试参数，这些私有数据公开模型根本拿不到。

这意味着Grok在航天、工程、物理这些领域的回答质量可能会甩开其他模型一截。

影石Insta360的Go Ultra系列口袋相机即将搭载AI语音助手 Kira。Kira结合了影石自研技术和阿里千问多模态模型，支持声纹识别和云端问答。

有意思的是，不同地区会用不同的大模型——国内用千问，海外可能换别的。这种「因地制宜」的做法挺务实，至少翻译和播报的准确性有保障。

Mistral AI发布了 Shieldstral，一个30亿参数的内容审核模型。亮点很直接：

对于想做内容安全又没钱买大厂方案的团队，这个模型可能是目前最好的开源选择。

国内人形机器人独角兽 宇树科技 正式开启科创板IPO，预计募资超40亿元，发行价可能达到104元/股。如果成功，宇树将成为「A股人形机器人第一股」，具身智能赛道的资本化进程明显在提速。

以上就是今天的AI日报。技术更新很快，但核心逻辑没变：模型越来越大、越来越快、越来越便宜，真正能用起来的场景也在变多。明天见。

本文地址：https://www.163264.com/14686