开源
腾讯混元开源新作！超强的音频驱动数字人生成模型，支持多角色、多风格及口型与表情同步！
腾讯混元与腾讯音乐联合开源的数字人音频驱动模型HunyuanVideo-Avatar，支持单或多角色对话和多种图像风格生成。通过一张人物图片和一段音频（最长14秒），生成高保真语音驱动动画，并引入了三项关键创新。
PaddleOCR 3.0发布：OCR精度跃升13%，支持多语种、手写体与高精度文档解析
PaddleOCR 3.0发布全面适配飞桨框架，提升文字识别精度并新增国产硬件支持。PP-StructureV3在文档解析方面表现突出，精度和专精能力领先众多方案。PaddleOCR系列解决方案为AI大模型文档处理提供了强有力的支持。
腾讯开源多模态扩散Transformer模型HunyuanVideo-Avatar，DeepSeek开源R1最新版本性能接近O3
HunyuanVideo-Avatar生成多角色对话视频；Paper2Poster自动生成科研海报并评估其质量；Chatterbox TTS提供情感控制的TTS模型；日本语文章解析器支持文本分析、OCR和语音朗读功能；syftr优化代理工作流程以达到准确性和成本之间的平衡。
CoGenAV 的核心理念是让 AI 模型也实现“音画同步”的深度理解
CoGenAV 框架结合 ResNet 3D CNN 和 Transformer 编码器提取音视频特征，并通过对比生成同步训练提升模型理解能力，实现‘听清+看懂’多模态理解。
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
字节跳动开源多模态AI模型Dolphin，通过两阶段机制精准解析复杂文档，支持页面级和元素级解析，并提供在线Demo及本地部署指南。