AI日报：京东开源实时视频编辑模型，Qwen-Image-3.0正式上线

欢迎来到今天的AI日报！今天AI圈又发生了不少大事，从视频编辑到图像生成，从语音识别到多模态交互，各家都在秀肌肉。来，一起看看。

Table of Contents

京东开源JoyAI-Video-Edit：边看边改，30帧秒级推理

京东今天开源了自家研发的实时流式视频编辑模型 JoyAI-Video-Edit。这玩意儿最牛的地方在于——它能边播放边修改，720P分辨率下能做到每秒30帧的推理速度。

以前改视频得等渲染，现在看着画面直接调，体验接近实时。更狠的是，它还能用来合成机器人训练数据，给具身智能领域提供了新思路。

阿里巴巴的千问图像生成模型 Qwen-Image-3.0 今天全量开放了，API定价0.18元/张起。

这模型支持4.5k token的超长文本理解，能处理复杂的多轮指令。风格覆盖100+种，支持12国语言原生渲染。在文生图榜单里排国内第一，商业化工作流可以直接上了。

腾讯混元发布了 Hy ASR 3.0 preview，这次不是简单的语音转文字，而是把语音识别和语义理解深度融合。

多语言词错误率显著降低，专业场景支持热词注入。简单说，它不再逐字硬转，而是结合上下文理解你在说什么。做字幕、会议纪要的朋友应该会很开心。

字节Seed团队推出了 SeedRealtime，一个原生融合音视频+文本的全双工大模型，已经在豆包App上线。

跟传统级联方案比，端到端架构解决了说话节奏对不齐的问题，交互更自然。它还能在对话中主动提醒、自然停顿，分寸感拿捏得不错。

马斯克在SpaceX首次财报电话会上透露，Grok 4.6下周发布，4.7随后几周跟上。

更重磅的是，SpaceX的全部历史数据将用于Grok训练——这意味着下一代Grok将拥有大量私有航天数据，而不是只靠公开语料。xAI的护城河正在形成。

影石Insta360把AI语音助手 Kira 装进了Go Ultra口袋相机，底层用的是阿里千问多模态模型。

支持声纹识别和云端问答，不同地区还会切换不同大模型确保翻译准确。硬件+大模型的结合越来越紧密了。

Mistral发布了内容审核模型 Shieldstral，30亿参数，Apache 2.0开源，支持12种语言。

特点是把审核政策写入输入，灵活适配不同场景。提示词分类、回答审核、毒性检测、多模态内容审核都能做，号称开源SOTA。

人形机器人独角兽宇树科技今天开启科创板IPO询价，预计募资42亿元，发行价约104元/股。

作为”A股人形机器人第一股”，这标志着具身智能产业链的资本化进程正在全面提速。机器人赛道，真的要起飞了。

以上就是今天的AI日报。技术迭代越来越快，每天都有新东西冒出来。保持关注，明天见。

本文地址：https://www.163264.com/14692