本期编辑：@ 三水、@ 鲍勃

01 有话题的技术

1、智象未来发布交互式世界模型 HiDream-O1-World：通过文本或图片生成可漫游 3D 世界，采用几何 - 外观两阶段扩散架构

智象未来发布交互式世界模型 HiDream-O1-World，可通过文本或图片生成可漫游、可编辑的 3D 世界。其相关研究 DreamWorld 入选 ECCV 2026，通过显式几何信息约束视频扩散过程，改善新视角生成中的几何结构和跨视角一致性。

采用几何与外观解耦的两阶段生成架构： 给定输入图像和用户定义的相机轨迹，DreamWorld 先由几何视频扩散模型预测目标新视角的几何特征，再以这些特征为条件，由外观视频扩散模型生成最终 RGB 帧。
将 3D 基础模型的结构先验蒸馏到扩散模型： 几何阶段通过蒸馏预训练 3D 基础模型的高层结构知识，使扩散模型生成反映场景空间布局的几何特征，并作为后续视频生成的结构约束。
显式几何特征用于约束新视角生成： 与仅依赖隐式时空表示的 VDM 不同，DreamWorld 将预测的几何表示作为结构支点，重点改善几何不合理和不同视角之间的空间不一致问题。
支持用户自定义相机轨迹： 几何阶段负责结构一致性和相机轨迹遵循，外观阶段则侧重视觉细节和画面保真度。
论文实验覆盖室内、户外和分布外场景： DreamWorld 在视觉质量、3D 一致性和相机可控性方面优于对比方法。

https://yanghb22-fdu.github.io/DreamWorld

(@DreamWorld)

2、西工大 ASLP 联合 WeNet 开源中文多方言 ASR 模型 CN-MultiDialect-ASR：用 OPSD 缓解方言微调后的普通话能力退化

西北工业大学 ASLP 团队联合 WeNet、NEXDATA 发布 CN-MultiDialect-ASR，基于 Qwen3-ASR-1.7B 引入 OPSD 自蒸馏训练，重点解决多方言 ASR 中一个常见问题：提升方言识别后，普通话识别能力容易随之下降。OPSD 不再只让模型沿着标准答案训练，而是让模型基于自己实际生成的识别结果继续学习，使训练状态更接近真实推理过程。

OPSD 改为基于模型自己的识别结果进行训练： 当前模型先根据语音生成自己的识别结果，再由一个冻结的同源模型结合参考文本，为这些结果提供概率分布作为训练指导，减少训练阶段与实际推理阶段之间的差异。
采用 CPT → SFT → OPSD 三阶段训练： 先使用约 10 万小时普通话与方言语音持续预训练，再提高方言数据采样比例进行监督微调，最后使用约 5000 小时方言数据进行 OPSD 优化。
论文实验显示方言 CER 明显下降，同时普通话平均 CER 未退化： 相比原始 Qwen3-ASR-1.7B，5 个公开方言测试集平均 CER 从 15.37% 降至 12.79%，18 个内部方言测试集从 21.01% 降至 12.42%；8 个普通话测试集平均 CER 从 3.46% 降至 3.27%。
对比实验显示 OPSD 比继续常规监督微调更能保留普通话能力： 在使用相同优化数据和训练配置时，继续进行基于标准答案的监督微调会使普通话 CER 上升，而 OPSD 在进一步改善方言识别的同时，没有出现这一退化。
模型权重与训练代码已开放： CN-MultiDialect-ASR 已在 Hugging Face 发布模型权重，GitHub 提供 SFT、OPSD 训练脚本，推理方式兼容 Qwen3-ASR。

https://github.com/ASLP-lab/CN-MultiDialect-ASR

(@ASLP-lab)

###

02 有亮点的产品

1、深光发布物理 AI 多模态光交互世界模型 DeepLight：用空间理解驱动实时投影交互

深光科技发布物理 AI 多模态光交互世界模型 DeepLight，将摄像头环境感知、空间理解与投影输出串成一套交互系统。DeepLight 通过理解人与物体在真实空间中的位置和交互意图，将提示、导航、批注等内容直接投射到桌面、纸面、墙面或地面，让机器人能够直接通过真实空间提供可视化反馈。

建立「感知空间 → 理解意图 → 投影反馈」的交互闭环： 系统先识别桌面、地面、墙体以及人与物体的位置关系，再结合人的动作判断交互需求，最终选择对应位置投射辅助信息。
空间信息会随环境变化持续更新： DeepLight 不只识别静态物体，还会跟踪物品移动、人员走动和场景变化，并结合手部姿态、交互笔轨迹和空间指向理解用户正在操作什么。
投影成为模型直接作用于真实空间的输出方式： 无需额外屏幕，系统可将错题批注贴合到纸质试卷对应位置，也可把导航路线、操作提示等信息直接投射到地面等真实表面。
面向机器人与智能设备集成： 深光将 DeepLight 定位为可接入不同机器人和智能设备的空间交互能力，用于学习辅助、服务机器人、陪伴等场景。

https://www.alight-tech.cn/

（@ 深光 ALight）

2、阿里推出可编辑 AI 音频创作室：CosyCreative：支持文本音频同步编辑与多轨混音

CosyCreative 定位一站式音频内容创作平台，内置上千种音色，支持声音复刻、AI 播客、AI 有声书、链接听文章等场景。

文本与音频可同步编辑，并支持自动标签、多轨混音和背景音乐，覆盖从「一键生成」到「精细创作」的全链路。视频配音、短视频出海、音效音乐生成等场景后续也将上线。

（@ 阿里语音 AI）

3、Fish Audio 推出多模态创作平台 Fish Creative：从语音生成扩展到口型同步、图像视频与音效创作

Fish Audio 推出多模态创作平台 Fish Creative，将原有语音能力进一步扩展到完整的视听内容制作流程。用户可以从生成或复刻一段声音开始，在同一创作画布中继续完成口型同步、图像与视频生成以及音效添加，把声音直接作为多模态内容创作的起点。

语音成为多模态创作的起点： 平台接入 Fish Audio S2.1 Pro，可生成语音并通过情绪标签控制表达，也支持复刻自己的声音，再围绕这段声音继续制作画面与视频。
新增口型同步能力： 用户可将选定声音与人物面部进行匹配，让已有或生成的人物按照目标语音同步口型。
图像、视频与语音进入同一创作画布： Fish Creative 接入图像和视频生成模型，可继续构建场景与动态画面，不需要在不同创作工具之间来回切换。
支持按需添加音效： 在语音和画面之外，平台还可生成并加入所需音效，进一步补齐从声音到完整视听内容的制作链路。

https://x.com/FishCreativeHQ/status/2089759230576451693

(@FishCreativeHQ)

4、Suno 发布生成式音乐工作台 Studio 2.0：加入 MIDI 编辑、Studio Chat 与参数自动化

Suno 发布生成式音乐工作台 Studio 2.0，在浏览器端加入 MIDI 编辑、内置合成器、音频效果器、参数自动化和 Studio Chat。新版本将生成能力进一步嵌入编曲、音色设计和混音流程，用户可以同时通过传统 DAW 操作和自然语言修改当前工程。

支持 MIDI 导入、录制与钢琴卷帘编辑： 用户可以直接移动音符、调整节奏，并连接外部 MIDI 键盘；外部控制器同时支持 Transport Control 和 MIDI Learn，可映射播放、停止及部分插件参数。
支持音频转 MIDI 和 MIDI 生成音频： Studio 2.0 可从已有录音提取旋律并继续编辑音高和节奏，也可依据 MIDI 中的音高、节奏和力度生成不同乐器、音色或演奏风格的音频。
Studio Chat 可直接操作当前工程： 用户可通过自然语言生成旋律、和弦或鼓组 MIDI，整理轨道、编辑音频和设计音色，还可通过文字生成定制音频效果器。
新增波表合成器、效果器与参数自动化： 内置效果包括均衡器、压缩器、侧链压缩、混响、卷积混响、延迟、失真和噪声门；音量、声像及效果参数均可随时间自动变化。
补充延迟补偿与演奏工具： Studio 2.0 新增延迟补偿、电脑键盘演奏、琶音器和和弦模式，进一步完善浏览器内的音乐制作流程。

https://suno.com/blog/studio-2

(@Suno)