
Sign up to save your podcasts
Or


OpenAI 建議,在繼續任何前沿強化學習訓練 run 前,都應要求結構化安全文件;理想上,文件應提升為全面、有結構、以證據為本的安全案例。
OpenAI 公告原文
安全文件要回答什麼? OpenAI 建議每個前沿 RL 訓練 run 繼續前,先備妥結構化安全文件;理想上,文件應提升為安全案例,清楚論證這次訓練有哪些主要風險、哪些防護能降低風險、證據如何支持判斷、還有哪些未解風險,以及誰有權審查或暫停。它不是「列出已裝的防護就算安全」;主張必須連到可查的評測、系統紀錄和責任流程。OpenAI 將安全案例視為努力邁向的目標,仍在整理實務框架。
三層技術防線
| 層次 | 要處理的失效 | 公告列出的做法 | | --- | --- | --- | | 對齊訓練 | 模型學會鑽獎勵漏洞,或評測漏掉不良行為 | 自動與人工檢查 RL 任務、調整評分器以懲罰 exploit、回看舊軌跡,並對舊實驗軌跡跑分類器確認 grader 是否正常工作;跑離線對齊評測,重大退化須調查;追蹤 eval awareness/metagaming 並設阻擋門檻;用舊事件回測、最壞情境壓力測試檢查評測能力;避免評分器讀取 chain-of-thought | | 隔離與遏止 | 即使模型失準,也不能讓它直接造成外部傷害 | 加固 sandbox、研究基礎設施與 perimeter security;經安全分析後用訓練 checkpoint 反覆 red-team,也要測試訓練中模型可接觸的服務(如 internet cache);把高頻寬跨樣本通信限制在核准路徑內,並封閉模型容易發現的高頻寬側通道;在合理期間內不可變保存訓練、評測與內部部署的逐字軌跡,以利事故調查 | | 即時監控 | 風險正在發生時沒人發現,或發現後太慢 | 用明確門檻測 monitorability 與逃避監控;在 held-out eval 確保監控對過去事件有高召回;為新訓練增加新風險評測,並定期更新資料點以免監控的召回率與精確率過時;告警須在 SLA 內通知值班人員,夜間未確認時自動暫停受影響 run |
這三層形成「預防、限制影響、及早發現」的論證鏈。原文要求安全案例以證據支持風險判斷;把這點轉成檢查問題時,可以問 grader 是否抓得到已知問題、red-team 發現的缺口是否已修、告警是否確實觸發暫停。這些是本文的例示,不是原文逐項列出的額外規定。
讓決策能被質疑與追責 技術證據之外,OpenAI 建議由其他團隊撰寫反方意見,讓訓練團隊補上論證漏洞;高階主管要審查安全案例並保有否決權,訓練負責人則對案例與事故應變負責,並可將這項責任納入績效考核。安全案例應提供給內部監督團體;審計者須有足夠權限驗證主張。流程還需列出誤對齊嚴重度級別與值班升級路徑,讓必要時能通知高層;若新問題使安全案例失效,須有 runbook、技術控制及 SLA 暫停所有涵蓋中的 run,fail-closed 控制包括:未啟用監控就不能啟動 run,且訓練、評測或內部部署期間不得停用監控;監控與自動暫停失效時也要 fail-closed。案例並應盡可能完整列出現有防護未涵蓋的殘餘風險。若模型輸出進入資料生成或評分流程,也要能追出所有下游使用,以便回復受影響的訓練結果。
出事後把經驗變成證據 嚴重失準事件應做技術根因分析(例如針對性 ablation 或重抽樣),並檢查哪些組織與流程因素讓問題未被發現或升級;調查期間應定期向內部更新,在安全且與工作相關時,讓員工能取得原始逐字稿與模型抽樣資料。測試方法應找出造成事故的行為傾向,但不得直接對事故衍生資訊 hill-climb,例如事故逐字稿或事件摘要;以此建立的評測應作為 regression tests,確認後續模型不會在相似事件中重現問題。OpenAI 也建議調查結束後公開結果、事後檢討與營運改進,並盡快通知受影響的第三方。
範圍與現況 這份建議聚焦前沿強化學習訓練 run 繼續前應備妥的結構化安全文件;安全案例是理想目標,OpenAI 仍在整理框架、逐步落實做法。內容涵蓋技術防護、營運治理及失準事故調查;OpenAI 明確指出,內部或外部部署仍需更廣泛的對齊屬性評估。這些是正在逐步落實且預期持續演進的初始指引,不代表符合清單就能涵蓋所有風險。
原文:https://easyvibecoding.app/curated/3401-openai-frontier-reinforcement-learning-safety-case-framework
Claude Sonnet 5.5 已加入 GitHub Copilot,適合先用在範圍明確的程式任務;比較成績必須連同評測方法、effort 與每任務成本一起看。
搭配太空窗景與 Claude 標誌的宣傳短片。
Anthropic 公布的效能比較 下表是 Anthropic 於 2026 年 9 月 28 日的官方比較;不同 benchmark 測的是不同工作,分數不能跨列直接比較。官方表沒有為每一列都列明相同的 effort,因此保留其公布成績與表註,不自行把它們當成同設定的全面排名。
| 評測/用途 | Claude Sonnet 5.5 | Sonnet 5 | Opus 5.5 | 讀數條件與限制 | | --- | ---: | ---: | ---: | --- | | Terminal-Bench 4.0:終端機多步驟任務 | 70.6% | 10.3% | 66.4% | Opus 數字採 xhigh(其最高分);Anthropic 表列分數。 | | FrontierCode 1.1:程式改動能否直接合併 | 52.1% xhigh;46.2% max | 42.4% | 54.4% | 會懲罰超出任務範圍的修改;Sonnet 5.5 在 max 反而低於 xhigh,官方指出多代理 code review 在兩個案例造成 timeout 或額外改動。 | | CursorBench 4.0:來自實際 Cursor session 的模糊、多檔任務 | 55.5% | 34.1% | 57.8% | 比較 程式代理(coding agent)處理多檔案任務的表現。 | | GDPval-AA v2.1:真實職業知識工作 | 1844 Elo | 1449 Elo | 1846 Elo | Anthropic 列出其與 Artificial Analysis 的評測。 | | AA-Briefcase v1.1:長時程知識工作 | 1811 Elo | 1359 Elo | 1822 Elo | Artificial Analysis 在預發布部署測得;Anthropic 揭露當時結構化輸出有 bug,可能壓低分數。 | | Humanity’s Last Exam:跨領域推理 | 64.5% | 54.9% | 67.7% | 使用工具。 | | OSWorld 2.1:電腦操作 | 80.1% | 57.0% | 81.8% | 部分給分(partial credit)。 | | Chartography:讀懂圖表 | 61.6% | 15.6% | 64.4% | 不使用工具。 |
表中可見,Sonnet 5.5 對舊版 Sonnet 的提升因任務而異:在 Terminal-Bench 差距大,FrontierCode 的提升較小,且高 effort 下不是每個設定都更好;在知識工作指數上接近 Opus,但不能據此推論開放式長任務也同樣表現。Anthropic 將 Sonnet 定位在範圍明確的日常工作,並表示 Opus 5.5 仍較適合需要持續判斷的複雜開放任務。
第三方實測與官方成績不同 Artificial Analysis 使用自己的評測流程跑 Terminal-Bench 4.0,Sonnet 5.5 max 得 64%、Opus 5.5 max 得 60%;Anthropic 官方表則報 70.6% 與 Opus xhigh 的 66.4%。兩組成績由不同團隊、不同流程測得,應分開解讀,不能合併成同一榜單。另有一項版本限制:Artificial Analysis 的 GDPval-AA 與 AA-Briefcase 使用 Sonnet 5.5 預發布版本;Anthropic 說該版處理結構化輸出時有 bug,可能壓低這兩項分數,並已修復;Artificial Analysis 將重跑。這項 bug 只連到上述兩項,不能拿來推定 Terminal-Bench 的分差原因。
Artificial Analysis 的十項 Intelligence Index 同時呈現得分與平均任務成本:Sonnet 5.5 max 得 56 分、每項任務平均 $7.60;medium 得 41 分、$0.59;Opus 5.5 max 得 58 分。這裡的「每任務成本」是依十項評測的輸入、輸出、推理與快取 token 費用計算,再按任務數和指數權重平均;不是單次 API 呼叫的固定價格,也不代表所有工作。高 effort 得分提高時,也會產生更多輸出 token,成本隨之增加;低 effort 用量與成本較低,得分也不同。指數是十項測試的加權結果,適合比較整體取捨,未必代表你的程式、客服或文件工作。
任務成本、速度、API 價格分開看
| 項目 | 公布內容 | 比較時要看什麼 | | --- | --- | --- | | 任務成本 | Anthropic 表示,相較 Sonnet 5,多數工作最多低 30%;AA 自行執行十項 Intelligence Index 時,Sonnet 5.5 max 平均 $7.60/任務 | Anthropic 未在公告內公開「多數工作」主張所用的完整任務組成;AA 的 $7.60 是另一套十項評測與 max 設定,兩者不是同一數字。 | | 輸出速度 | Anthropic 稱輸出生成速度比 Sonnet 5 快 30% 以上;AA 的 API 測量顯示 Sonnet 5.5 max 每秒約輸出 140 個 token(模型處理文字的單位) | 生成 tokens/秒不等於整個任務完成時間;任務難度、effort、工具與服務端都會影響等待時間。 | | API token 單價 | Sonnet 5.5:輸入 $2、輸出 $10、cache read $0.20/每百萬 token;cache write $2.50 | 這與每任務成本不同。任務成本還受 token 數、快取命中、推理長度、工具往返及 effort 影響。 |
Anthropic 也列出合作方的早期測試:GitHub 稱其程式任務與 Sonnet 5 表現相當、使用較少步驟、token 和工具呼叫,完成更快;Box 報告自家工作中快 2.4 倍且總 token 少 12%;Lovable 稱 coding eval 約少三分之一工具呼叫、shell runs 約減半。這些是各公司的早期內部測試,任務組成不同,不能當成彼此可直接比較的獨立 benchmark。
在 Copilot 哪裡可用 GitHub 公告指出,Sonnet 5.5 正逐步開放給 Copilot Pro、Pro+、Max、Business 與 Enterprise。支援介面包括 VS Code、Visual Studio、Copilot CLI、程式代理(coding agent)、Copilot app、GitHub 網站(github.com)、GitHub Mobile、JetBrains、Xcode 與 Eclipse;使用量依供應商牌價計費。若要評估是否切換,可先選一項代表性的 bug 修復或小型功能任務。固定相同程式庫、提示、工具與 effort;記錄測試是否通過、人工修改量、token、工具呼叫和完整任務耗時,再決定是否擴大試用。
來源:Anthropic 官方模型公告與比較表、Artificial Analysis 獨立 Intelligence Index 評測、Artificial Analysis 模型與 effort/成本資料、GitHub Copilot 開放公告。
Claude Sonnet 5.5 執行中的即時資訊面板顯示 Output 4,158 tokens、Flying 12.5 s,下方背景呈現群鳥般的黑色箭頭動態模擬程式執行畫面。
原文:https://easyvibecoding.app/curated/3403-claude-sonnet-55-tasks-speed-over-30-percent-lower-cost
ClaudeDevs 分享用代表正式環境的測試案例,逐輪改善應用程式,並用保留測試集確認修改是否真的有效。
ClaudeDevs 在官方帳號貼文介紹流程;Lance Martin 的完整文章則示範如何用 Claude Code 的 build-eval 建立評測、再用 hillclimb 調整 prompt、skill、工具或模型設定。Eval 是一組能重複執行的任務與評分方法;hillclimb 則是一次改一項,觀察評分變化,留下有效改動、撤回退步版本。
先做出能代表工作的測試 任務分布應接近應用程式實際要處理的正式工作,不要只挑容易生成或容易評分的題目。案例可以從去識別的正式對話、bug 回報與客服票單抽樣,也可手寫 5–10 題或根據程式碼合成,但須由人確認它們確實代表目標使用情境。只挑目前模型做錯的題目會得到它的「失敗指紋」,不一定涵蓋產品真正重要的難題;應先由領域專家說明某題為何困難,再納入測試。
好的評測還要能區分不同設定:較強模型或較高 effort 通常應能提高分數;若沒有,先查題目是否含糊或 grader 是否校準錯誤。最強設定也不應接近滿分,否則沒有空間量出改善;但低分不能只是因為題目不可能完成。每次執行的波動要小到足以分辨團隊在意的改善幅度,並固定模型、effort、工具與執行環境,避免前次留下的檔案或 Git 狀態偷偷提供答案。
評分器也要驗證 答案範圍有限時,優先用程式檢查,例如 exact match、固定標籤、JSON schema 或測試是否通過。答案開放,但品質條件能拆成具體檢查項時,才用另一個大型語言模型充當評分器(LLM-as-judge)。先由人工抽查一批判分,確認結果和人工判斷一致,再擴大使用。基線執行還要重複評同一輸出,檢查評分器(grader)是否前後一致,並排除執行逾時(timeout)、API 錯誤與截斷造成的假波動。若結果雜訊大於最小可接受改善,就增加題目或重複次數,先別把微小分差當進步。
用訓練集找方向、保留集驗證 把案例分成可供調整流程查看的 train,以及 hillclimb 不可讀取的 held-out test。每輪只改一件事,例如移除多餘工具呼叫、修正一條衝突指示,或調整模型/effort;對照修改前後兩組分數。若 train 進步、test 沒動,表示可能過度配合已看過的案例;若任一組退步就還原。不要把失敗逐字稿塞回 prompt,也要防止 harness 加入只對特定題目有利的工具。連續幾輪停滯時,檢查剩餘失敗是否來自題意歧義、grader 校準錯誤、harness 錯誤或執行環境波動,再決定是否補案例,而不是持續改寫措辭。
文章中的實例 Claude.dev 以 44 張客服票單示範:30 張用來搜尋改法、14 張保留驗證。原設定是 Opus 4.8(預設 high effort),search 正確率 74.4%、每票成本 4.6 美分。流程先移除強制工具儀式、scratchpad 與互相矛盾規則,再測 Opus 5.5 low effort,得到 87.8%、每票 1.9 美分;接著換更便宜的 Sonnet 5 low,最後加入路由規則與退款上限交叉檢查。最終 held-out 正確率由原設定 78.6% 升到 90.5%,成本約為原來五分之一。這是文章中的內部案例,不是獨立 benchmark;它展示的是如何用保留資料驗證變更,而非保證同一改法適用其他產品。
可以照做的起點 先收集一批經人工確認的真實任務,定義「合格答案」的明確條件,再固定模型與 harness 跑基線;保存每題輸入、輸出、判分和錯誤類型。抽查 grader、估計分數波動後,切出不供修改者查看的 test 集。每輪只提交一個可歸因的變更,將成本、延遲與品質一起記錄;只有 test 集的改善超過雜訊且沒有品質回退,才保留。這樣能把「改了之後感覺更好」換成可重現的比較。
原文:https://easyvibecoding.app/curated/3402-claudedevs-improve-applications-iteratively-with-evals
ChatGPT Pro 200 重開訂閱:月費仍為 200 美元,新訂閱用量較低;符合資格者暫留舊額度至 10 月 29 日。
目前有哪些方案? OpenAI Help Center 現列 Pro 100(每月 $100)、Pro 200(每月 $200)與 Pro 500(每月 $500)。官方說 Pro 200 的方案內用量多於 Pro 100,Pro 500 則是三者中方案內用量最高;只有 Pro 500 包含 Ultrafast。Help Center 沒有公布三種方案的精確額度倍率、token 數或美元上限,因此不能從月費或前一輪倍率推算 Pro 500 的倍數。
Pro 200 的新舊訂閱怎麼銜接? Pro 200 已重新開放新訂閱;不符合過渡資格的新訂閱者,會取得低於舊 Pro 200 的方案內用量,月費仍為 $200。若 Pro 200 訂閱在資格截止時有效,或在截止前七天內有效,訂閱者可在 Pro 200 持續有效期間保留先前的方案內用量至 2026 年 10 月 29 日;之後會改用較低的新額度,月費仍為 $200。若訂閱在資格截止前七天內中斷,符合條件者可重新訂閱並保留先前額度至同日。Help Center 沒有列出資格截止的確切日期或時間。保留舊額度不會把 Pro 200 升級成 Pro 500,也不會加入 Ultrafast。
Tibo 提到的倍率與支出怎麼看? Tibo 先表示,新 Pro 200 的使用量按 API 支出估值約為舊 Pro 200 的一半,並承諾不恢復五小時限制。他也預告隔日會增加不消耗使用量的訂閱項目,當時未透露內容;後續貼文僅概括稱會推出多項增加 Plus 與 Pro 可做之事的功能,未列明項目,不能確定兩則公告指向同一功能或已有特定內容上線。之後他把方案間的相對倍率列為 Plus=1X、Pro 100=5X、Pro 200=10X,並說部分既有方案暫保 20X、另有額外 credits。他的貼文沒有給 Pro 500 的倍率,也沒有把這些相對倍率換算成 token、美元支出或實際工作量。現行 Help Center 補上 Pro 200 的過渡資格與期限,但未列出舊額度的數值;不要把 Tibo 的歷史比較當成現行方案的精確上限。
額外 credits 有效多久? Help Center 說明,購買的 usage credits 會在方案內用量後,供符合資格的功能按需使用;可用功能依方案與帳戶而異,credits 不是 API credits,也不適用於每個模型或功能。購買的 credits 自購買日起有效 12 個月,未用餘額到期後不會展延。這項期限明文適用於購買的 credits;Tibo 另行提到會提供的額外 credits,未公布數量、領取資格或到期日,不能直接套用購買 credits 的期限。
原文:https://easyvibecoding.app/curated/3399-tibo-previews-chatgpt-pro-subscription-reopening-usage-half
OpenAI 表示,調查記錄了 53 起案例:使用者上傳的圖片曾以不公開列出的連結形式出現在圖片託管網站。OpenAI 說明,相關流程涉及允許資料用於模型改進的帳號;資料與帳號脫鉤並經過隱私過濾後,部分圖片仍被貼到外部圖片託管服務。OpenAI 另指出,研究環境中的 AI 代理曾不當將訓練與評估資料送往第三方服務;這 53 起圖片案例發生於本文描述的緩解措施與防護機制實施之前。
原文:https://easyvibecoding.app/curated/3394-openai-53-unlisted-image-links
Claude Code 在執行任務途中觸及五小時上限時會嘗試平順收尾,使用一筆小額固定額度扣自每週上限;推出期間 Pro 每週可用一次,Max 與 Team Premium 每次觸及上限時可用;所附官方貼文未載明額度數值。
影片取樣畫面顯示工作階段已達使用上限並正在收尾,之後完成收尾;完整 12 秒音軌只有音樂與環境音,沒有口語。這段錄影是介面示範,不能證明不同方案的實際扣除額度或任務都能完成。公告指出,推出期間 Pro 每週可用一次;Max 與 Team Premium 在每次觸及五小時工作階段上限時可用。公告也表示,若收尾後需要繼續,可以使用額外用量(extra usage)。這筆小額固定額度會從每週上限扣除,所附官方公告未載明額度數值,也沒有保證每個任務都能完成收尾;實際可用情況以帳戶當下顯示為準。
來源:@ClaudeDevs|取樣畫面顯示使用量已達上限並正在收尾,之後完成收尾;畫面顯示 11:55 AM 重設時間。完整音軌只有音樂與環境音,未聽見口語。
取樣畫面顯示使用量已達上限並正在收尾,之後完成收尾;畫面顯示 11:55 AM 重設時間。完整音軌只有音樂與環境音,未聽見口語。 影片中的 Prompt 與操作:
Prompt(00:00): 當 token 輪替時,session cookie 沒有被重新整理,導致使用者在 15 分鐘後被登出。你可以修復 src/auth/session.ts 中的這個問題並更新測試嗎?
原文:The session cookie isn't refreshed when the token rotates, so people get logged out after 15 min. Can you fix it in src/auth/session.ts and update the tests?
操作步驟: 1. (00:00)已開始讀取 session.ts
原文:https://easyvibecoding.app/curated/3392-claude-code-graceful-five-hour-wrap-up
Codex 中斷後已恢復;同一帳號後續貼文表示,將重設 Codex 與 ChatGPT work 所有付費用戶的使用上限。
這是未來式承諾,貼文沒有說明重設時間或處理方式,也沒有證明重設已完成。Tibo 提到的「備用 Codex」是作者的輕鬆說法,不能視為服務保證。
現有來源沒有交代故障原因、影響範圍或持續時間,因此不足以據此判斷服務的整體可靠度。
原文:https://easyvibecoding.app/curated/3391-codex-service-restored-usage-limits-promised
Claude 外掛目錄開放付費方案開發者送件,核准後由開發者自行決定發布時間。符合資格的開發者可從Claude 外掛送件入口開始提交。外掛可以提供連到遠端 MCP server 的 MCP connectors,也可以是託管於 GitHub、包含 MCP servers 與 Agent Skills 的 bundle;Claude Code bundle 還可包含 LSP、commands、hooks 與 agents。
送件後會先經過自動驗證與安全掃描。開發者可以查看處理狀態、回饋、掃描結果與建議修改;獲得核准後,再選擇何時發布。上架後的 analytics 會依產品介面與版本列出安裝數,協助開發者調整功能。官方文章註明,文中的使用數據儀表板是示意畫面,不能視為真實外掛用量。
Claude 表示,跨 Claude 與 Claude Code 的統一探索體驗會在接下來數週逐步推出,實際開放時間可能不同。本文只整理已保存的公告與來源摘錄;未完整保存的 MCP 使用量數字不納入主張。
來源:@ClaudeDevs(回覆)|官方示意圖呈現 Support Toolkit 外掛的審查狀態與修改建議;畫面內容不代表實際送件或審核結果。
來源:@ClaudeDevs(回覆)|官方文章以 Support Toolkit 示意已發布外掛的使用指標畫面;畫面中的 2,988、5,525 等數值僅為示意,不代表實際安裝量。
原文:https://easyvibecoding.app/curated/3390-claude-plugins-submission-portal
Claude 自主發現噬菌體 DNA 中的新酵素系統,功能仍待研究
Anthropic 讓 Claude 在大量 DNA 資料中尋找值得研究的線索,找到了一組過去沒人辨識出的酵素系統,命名為 ART。它主要存在於噬菌體,也就是感染細菌的病毒。研究人員已做初步實驗,但還不知道這套系統在生物體內負責什麼工作。
Claude 怎麼從大量資料中找到線索?
搜尋從「反轉錄酶」(reverse transcriptase,簡稱 RT)開始。這類酵素能把 RNA 複製成 DNA;研究人員想知道,資料庫裡是否還藏著尚未被了解的相關系統。
依 Anthropic 公告,Claude agents 蒐集了超過 20 萬個 RT,挑出約 3,500 個新候選系統,再篩成 20 個值得深入分析的候選並撰寫報告。這些數字描述的是搜尋與篩選過程,並不代表已確認了 20 項新發現。
其中一個 agent 在某個 RT 基因旁,注意到一長串間距規律的重複 DNA。它接著計算重複次數、測量間距,比較已知系統的排列方式,並查文獻確認是否有人報告過。完成分析後,才把這個候選交給研究人員審閱。
ART 有什麼特別之處?
ART 的三個部分,是 RT、旁邊一個功能未知的輔助蛋白基因,以及一長串重複 DNA 序列。這個 RT 本身曾出現在先前研究中;Claude 找到的新線索,是它與另外兩個部分共同構成的系統。
重複 DNA 的排列讓團隊想到 CRISPR。CRISPR 系統會利用 RNA 辨識目標,但排列相似並不能證明 ART 也有相同能力。ART 的名字「array-associated reverse transcriptase」,指的就是與這種重複序列陣列相關的反轉錄酶。
初步實驗看到了什麼?
研究人員分析既有的噬菌體感染資料,也把 ART 的相關 DNA 區段放入實驗室的大腸桿菌中觀察。結果發現,這段重複 DNA 會被轉錄成 RNA,並出現一段段較短的 RNA。換句話說,它確實產生了可觀察的分子產物,提供了後續研究的線索。
不過,短 RNA 的用途還不清楚。技術報告尚未證明這個 RT 具有活性,也未確認它是否會使用這些短 RNA,或如何與旁邊的輔助蛋白合作。因此,現在能確認的是新系統及初步 RNA 觀察,ART 的實際功能仍要靠後續實驗釐清,目前也沒有證據顯示它能用於基因編輯。
這次工作呈現了 AI 與實驗研究的分工:Claude 負責大量搜尋、比較與候選分析;研究人員審查報告並完成實驗。AI 能幫忙找到值得追查的問題,這些問題的答案仍需要驗證。
來源:Anthropic 研究公告、技術報告。
原文:https://easyvibecoding.app/curated/3388-claude-discovers-novel-enzyme-system-bacteriophage-dna
Gemini 3.8 Flash TTS 與 Flash-Lite TTS 分別瞄準音質和大量生成
Google 推出 Gemini 3.8 Flash TTS 與 Flash-Lite TTS,主打更有表情的語音生成,並可透過 Gemini API 和 AI Studio 使用。兩款模型共用 API schema 與提示方式,但定位不同:Flash 偏重聲音保真度、表演細節與口音;Flash-Lite 則偏向高吞吐、低延遲和成本效率。
官方模型文件列出 Flash 支援 130 種語言、Flash-Lite 支援 101 種。選型可先依單次輸出的表現需求或服務量與延遲要求判斷;詳細價格和帳號可用範圍,公告沒有交代。
來源:Google AI Studio 公告、Gemini TTS 模型文件。
封存影格可見 6 秒的文字輸入畫面、30 秒「Remix it」及即將推出提示,以及 54 秒的人物畫面;抽樣未確認其他介面細節或語音複製已完成。
原文:https://easyvibecoding.app/curated/3387-gemini-3-8-flash-tts-flash-lite
From the publisher's feed