Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11
Google DeepMind 发布多语种手语转文本模型 SL2T，并在 Pixel 11 的 Gboard 和 Live Transcribe 中上线手语听写功能，首批支持美国手语（ASL）转英文。
推荐理由：SL2T 把多语种手语翻译从实验室带入 Gboard 与 Live Transcribe，读者可了解其数据规模与隐私设计。
技术方向
多模态 最新动态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
33 条精选近 30 天 12 条共收录 51 条
更新
精选归档 · 第 2 页
Google DeepMind精选AI 评分8080 Google Research精选AI 评分7878 Google Research 发布 AMIE (Video)，实时视频问诊达到专家级水平
Google Research 发布基于 Gemini 和 Project Astra 的 AMIE (Video)，可在实时视频问诊中感知非语言线索、引导虚拟体格检查并同步进行诊断推理。
推荐理由：原文给出 AMIE (Video) 的三智能体架构与随机 OSCE 研究设计，读者可据此了解实时视频临床 AI 的能力边界与验证方式。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言开源权重模型，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持英语、西班牙语、法语、德语、意大利语、越南语、中文、印地语、日语、现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言，每种语言含男女声。
推荐理由：原文给出 364M 开源权重模型的多语言覆盖、TTFA 实测数据和 NIM 部署路径，可据此评估自建语音链路的延迟与定制空间。
Hugging Face Blog精选AI 评分8282 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数、采用 Apache 2.0 许可的多模态模型，面向本地智能体场景，可用于编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型，附完整基准对比与本地部署代码，可据此判断端侧智能体的可用性。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布面向机器人的具身推理模型 Gemini Robotics ER 2，可作为机器人的高层大脑，负责对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型。
推荐理由：官方给出视频理解、任务编排与多机协作的能力变化和开放入口，可据此判断机器人在真实环境中的任务完成方式。
Google DeepMind精选AI 评分6262 Google DeepMind 在 Google Flow Music 发布 Lyria 3.5 音乐生成模型
Google DeepMind 发布音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。官方称新版本在音乐性、歌词、人声和创作控制四方面改进：旋律结构更丰富自然，歌词质量与提示词遵循、结构感知更好，人声更具表现力和情感且发音改善，同时可更便捷地控制输出 tempo 与时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与创作控制上的具体改进方向，可据此判断音乐生成能力的变化。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人智能层，首次实现对完整人形机器人的全身控制，并提升灵巧操作与多机器人协作能力。
推荐理由：原文给出三个模型的职责分工与端侧适配数据，读者可据此判断机器人智能层的落地路径。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。
推荐理由：官方给出三款 Flash 新模型的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）。
推荐理由：两款新模型同时开放开发者与消费端入口，并给出延迟、价格与能力边界，便于判断多模态工作流成本。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：原文给出模型能力、延迟表现与开发者接入路径，读者可据此判断实时语音翻译的落地方式。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器架构，视觉与音频输入直接进入 LLM 主干。官方称其基准性能接近 26B MoE 模型，内存占用不到后者一半，可在 16GB 显存或统一内存的消费级笔记本上运行，也是该系列首个支持原生音频输入的中等规模模型。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，可对照其与 26B MoE 的性能与内存取舍。
Google Research精选AI 评分7676 Google 研究用手机前置摄像头被动监测心率与静息心率
Google Research 在 Nature 发表 PHRM 研究系统，利用手机前置摄像头在面部解锁后拍摄 8 秒面部视频，通过深度学习估算心率，与心电图对比的平均绝对百分比误差低于 10%，覆盖所有肤色。
推荐理由：Google 公开了迄今规模最大的手机摄像头 rPPG 研究，读者可了解被动心率监测如何做到全肤色准确。
Google DeepMind精选AI 评分6262 Google DeepMind 为 Project Genie 加入 Street View 真实场景锚定能力
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 锚定能力，可基于美国真实地点影像生成可交互世界，并支持选择 Desert Sands、Stone Age、Ocean World、B&W film 等风格。
推荐理由：原文说明 Genie 如何用 Street View 真实影像为生成世界提供地理锚点，读者可了解世界模型落地路径。