# 即時應用

Scribe 是由 ElevenLabs 開發的高精度語音轉文字模型，旨在處理真實世界音頻的不可預測性。它支持99種語言，提供單詞級時間戳、說話人分離和音頻事件標記等功能。Scribe 在 FLEURS 和 Common Voice 基準測試中表現卓越，超越了 Gemini 2.0 Flash、Whisper Large V3 和 Deepgram Nova-3 等領先模型。它顯著降低了傳統服務不足語言（如塞爾維亞語、粵語和馬拉雅拉姆語）的錯誤率，這些語言在競爭模型中的錯誤率通常超過40%。Scribe 提供 API 接口供開發者集成，並將推出低延遲版本以支持即時應用。

Gemini 2.0 Flash是Google推出的下一代AI模型，旨在賦予開發者構建未來AI應用的能力。自去年12月發佈Gemini 1.0以來，數百萬開發者已使用Google AI Studio和Vertex AI構建了支持109種語言的Gemini應用。Gemini 2.0 Flash在性能上是1.5 Pro的兩倍，同時實現了更強的性能，包括新的多模態輸出和原生工具使用。它通過Gemini API在Google AI Studio和Vertex AI中提供實驗性訪問，並計劃在明年初全面上市。Gemini 2.0 Flash的主要優點包括更好的性能、新的輸出模態、原生工具使用和多模態即時API，這些功能將進一步提升開發者的工作效率和應用的互動性。

Lightning是由smallest.ai開發的最新文本到語音模型，以其超快速度和小巧的體積在多模態AI中突破了性能和尺寸的界限。該模型支持英語和印地語等多種口音，並計劃迅速擴展更多語言。Lightning的非自迴歸架構使其能夠同時合成整個音頻剪輯，與傳統的自迴歸模型相比，後者需要逐步生成音頻。Lightning的主要優點包括生成速度快、模型體積小、支持多語言和快速適應新數據。產品背景信息顯示，Lightning的推出旨在幫助語音機器人公司大幅降低延遲和成本，通過簡化其架構。價格方面，Lightning的定價從每分鐘0.04美元起，對於每月使用超過100,000分鐘的企業客戶，提供定製定價方案。

OpenAI 提出的連續時間一致性模型（sCM）是一種生成模型，它在生成高質量樣本時，只需要兩個採樣步驟，與領先的擴散模型相比，具有顯著的速度優勢。sCM 通過簡化理論公式，穩定並擴展了大規模數據集的訓練，使得在保持樣本質量的同時，大幅減少了採樣時間，為即時應用提供了可能性。

InstantDrag是一個優化自由的流程，它通過僅使用圖像和拖拽指令作為輸入，增強了交互性和速度。該技術由兩個精心設計的網絡組成：拖拽條件的光流生成器（FlowGen）和光流條件的擴散模型（FlowDiffusion）。InstantDrag通過將任務分解為運動生成和運動條件圖像生成，學習了基於真實世界視頻數據集的拖拽圖像編輯的運動動態。它能夠在不需要掩碼或文本提示的情況下，快速執行逼真的編輯，這使得它成為交互式、即時應用的有前景的解決方案。