《AI HOT 0624：单卡视频生成、智能体工具与招聘评估争议》

导语

这一期 AI HOT 是当天 AI 技术、产品、开源生态、企业动作和治理风险的汇编。它的主线不是某一个模型发布，而是 AI 正同时向三个方向推进：多模态生成变得更快更可部署，智能体和开发工具进入生产力场景，评估、招聘和开源合规暴露新的治理问题。

1. 多模态生成和交互模型继续提速

1.1 视频、语音和音频生成

• Sky Computing Lab 发布 FastWan-QAD 视频生成模型系列，基于 FastVideo 的量化感知蒸馏方案训练。它在单张 NVIDIA GeForce RTX 5090 上，端到端生成 5 秒 480P 视频只需 1.8 秒，并已开源模型、代码和博客。
• 网易有道推出“子曰 4.0”语音合成引擎 Confucius4-TTS，声称支持 14 种语言跨语种无口音语音克隆，且无需参考文本。用户只需 3 秒音频即可完成零样本音色克隆，音色相似度超过 85%，任务准确度达到 97%；模型采用语义大模型、SSL 预训练特征、ECAPA-TDNN 说话人编码器和 Flow Matching 框架，并以 Apache 协议开源 54GB 本地部署资源包。
• 火山引擎发布豆包音频生成模型 1.0，支持文本和音频参考生成目标音频。单条提示词可编排多角色对白、情绪语气、背景音乐和环境氛围，支持 0 样本多模态输入、一声多角、音色与风格解耦控制，一次可生成 2 分钟音频，并在多次延长中保持音色统一。