本文聚焦近期AI领域的重要进展，包括Mistral AI开源的多语言语音转录模型Voxtral，其准确率超越了OpenAI Whisper v3；谷歌Gemini Embedding模型API的全面开放，提供了极具竞争力的价格；PUSA V1.0模型以低成本实现了高性能视频生成，并支持多种视频生成方式；OpenArt Story功能则实现了通过文本一键生成完整叙事短视频。

🎤 Voxtral 模型：Mistral AI 开源的 Voxtral 模型提供 24B 和 3B 两个参数版本，前者专为生产环境优化，后者适合本地和端侧设备部署。官方基准测试显示，Voxtral 的转录准确率超越了 OpenAI Whisper v3 Large 和 Gemini Flash 2.5 等主流方案。

💰 Gemini Embedding 模型 API：谷歌 Gemini Embedding 模型现已全面开放，开发者可通过 Gemini API 和 Vertex AI 使用。该模型价格极具竞争力，每 100 万输入 token 仅需 0.15 美元。

🎬 PUSA V1.0 模型：该模型通过使用 VTA 微调 SOTA 模型 Wan2.1-T2V-14B，仅需少量数据集、较低的训练成本和较少的推理步骤，就超越了 Wan-I2V-14B 模型的性能。PUSA 模型支持首尾帧生成、视频扩展、文生视频等多种功能，并且代码和模型已开源。

✍️ OpenArt Story 功能：OpenArt 推出的新功能，用户可以将想法、脚本等转化为包含动作、音乐和完整叙事线的 1 分钟视频。该功能整合了黑森林、可灵、海螺、pixverse、fal、openai 和谷歌等技术支持。

Mistral 开源 Voxtral：多语言语音转录模型，准确率超 Whisper v3

Voxtral 是 Mistral AI 最新开源的多语言语音转录模型，提供 24B 和 3B 两个参数版本。24B 版本专为生产环境优化，而轻量级的 3B 版本则非常适合本地和端侧设备部署。

根据其官方基准测试，其转录准确率显著超越 OpenAI Whisper v3 Large 和 Gemini Flash 2.5 等主流方案。

完整的技术细节和性能对比可查阅官方博客[1]。

谷歌 Gemini 嵌入模型 API 全面开放，每百万 token 仅 0.15 美元

谷歌 Gemini Embedding 模型现已正式在 Gemini API 和 Vertex AI 中向开发者全面开放。价格方面极具竞争力，每 100 万输入 token 仅需 0.15 美元，这个定价可以说是非常便宜了。

完整公告详情[2]请参阅谷歌官方博客。

PUSA V1.0：低成本高性能视频生成模型

PUSA V1.0 通过使用 VTA 微调 SOTA 模型 Wan2.1-T2V-14B，仅需 1/2500 的数据集、1/200 的训练成本和 1/5 的推理步骤，就超越了 Wan-I2V-14B 模型的性能。

更厉害的是，Wan-I2V 只能进行图像到视频的生成，而 PUSA 模型还支持包括首尾帧生成、视频扩展、文生视频等功能

代码和模型都已经开源啦，完整介绍可以看PUSA 项目官网[3]～

OpenArt Story 一键生成完整叙事短视频

OpenArt 推出了一个名为 OpenArt Story 的新功能，用户可以将任何想法、脚本、节奏或角色转化为 1 分钟视频，这个视频包含动作、音乐和完整的叙事线，不仅仅是简短的片段，而是一个完整的故事。

其背后的技术支持来自黑森林、可灵、海螺、pixverse、fal、openai 和谷歌。