✨ 1: Stable Audio Open

Stable Audio Open是一个开源的文本到音频生成模型，可生成长达47秒的音频样本和音效。

Stable Audio Open 是由Stability AI发布的一款开源模型，专门用于生成短音频样本和音效。这个模型能够根据文本提示生成最高47秒的音频数据，适用于创建鼓点、乐器片段、环境音效、拟音录音和其他音乐制作元素。Stable Audio Open 主要面向声音设计师、音乐人和创意社区，允许用户在自定义音频数据上进行微调，从而生成新的音频样本。

与Stable Audio的商业版本不同，Stable Audio Open专注于音频样本和声音效果生成，而不是完整的歌曲或旋律。商业版能够生成高质量、结构完整的音乐片段，并支持高级功能如音频到音频生成和多部分音乐创作。而Open版本则展示了生成音频设计的潜力，同时强调与创意社区共同开发和负责的发展理念。

Stable Audio Open模型的权重可以在Hugging Face平台上获取，鼓励声音设计师、音乐人、开发者和音频爱好者下载并探索其功能。同时，Stability AI也希望在开放和负责任的音频生成能力方面继续进行研究和开发，并与创意社区携手合作。

模型地址：https://huggingface.co/stabilityai/stable-audio-open-1.0 github:https://github.com/Stability-AI/stable-audio-tools

地址：https://stability.ai/news/introducing-stable-audio-open

✨ 2: Seed-TTS

强大的文本到语音转换工具

Seed-TTS是一组高质量的多功能语音生成模型，由字节跳动的Seed团队开发。该模型可以生成与人类语音几乎无法区分的高仿真语音，表现优异，特别是在说话者相似度和自然度方面，能够与真实人类语音相媲美。通过微调，Seed-TTS的主观评估得分更高。

Seed-TTS具备优秀的控制能力，能够调节不同的语音属性如情感，并生成高度表现力多样化的语音。此外，提出了自蒸馏方法进行语音分层，以及强化学习策略以增强模型的稳健性、说话者相似度和控制能力。同时还展示了Seed-TTS的无自回归变体Seed-TTSDiT，它采用完全基于扩散（diffusion-based）的架构，不依赖于预估的音素时长，通过端到端处理实现语音生成。

Seed-TTS的核心功能包括零样本上下文学习、说话者微调、语音分层、通过强化学习实现偏好控制、完全基于扩散的语音生成等。其应用范围涵盖了多说话者语音生成、有感情控制的语音生成、跨语言内容创作、语音和内容编辑等多个领域。通过不同情感和说话者的控制，Seed-TTS展示了其在多样化语音生成场景中的强大能力。

地址：https://bytedancespeech.github.io/seedtts_tech_report/

✨ 3: MiniCPM-V

MiniCPM-V是一系列可在手机上高效部署的多模态大模型，具备强大的图像和文本处理能力。

MiniCPM-V

MiniCPM-V 是一系列针对视觉与语言理解设计的末端多模态大型语言模型（MLLMs）。这些模型能够接受图像和文字输入，并提供高质量的文字输出。自2024年2月以来，该系列已经发布了四个版本，目标是实现强大的性能和高效的部署。

地址：https://github.com/OpenBMB/MiniCPM-V

✨ 4: MiGPT

MiGPT 结合智能家居与ChatGPT，让你的家更智能、更贴心。

MiGPT 通过将小爱音箱、米家智能设备与 ChatGPT 的智能理解能力结合，让你的智能家居不仅能够自动化运作，更能懂你、陪伴你。它不仅仅是一个设备控制平台，而是一个能够与你共同成长的智能家居助手。

主要功能

1. LLM 回答：小爱音箱可以基于大型语言模型（如 ChatGPT）回答你的各种问题。
2. 角色扮演：小爱音箱可根据设定扮演不同角色，如朋友、伴侣等。
3. 流式响应：快速响应你的指令，提供即时服务。
4. 长短期记忆：记住与用户的对话，提高互动的自然性和个性化。
5. 自定义 TTS：支持自定义语音，提升互动体验。
6. 智能家居 Agent：通过情感和情境感知，自动调节设备操作。

地址：https://github.com/idootop/mi-gpt

✨ 5: 什么是提示词注入攻击？

提示词注入的原因：

提示词注入的工作原理是通过向大语言模型输入特定的指令（提示），重新训练或引导系统，使其按照用户的意图行动。这种方法利用了大语言模型中指令和输入界限模糊的特点，用户可以通过输入特定的提示来改变系统的行为，从而绕过原有的安全机制或防护措施。提示词注入类似于社会工程学攻击，只不过攻击对象是计算机系统，而不是人类。通过这种方式，恶意行为者可以使系统执行本不应该执行的操作，生成错误信息，甚至泄露敏感数据或被远程控制。

如何防范：

防范提示词注入的方法包括以下几个方面：

1. 筛选训练数据：确保用于训练模型的数据是干净且可信的，过滤掉可能引起问题的有害数据。
2. 最小特权原则：系统只应具备其绝对需要的功能，尽量减少不必要的权限。
3. 人类干预：在模型执行关键操作时，引入人类审核和批准，以防止意外或恶意操作。
4. 检查系统输入：建立过滤机制，拦截和检查输入内容，确保恶意提示无法通过。
5. 基于人类反馈的强化学习：在训练过程中引入人类反馈，以帮助系统更好地理解其限制和边界。
6. 使用检测工具：开发和使用专门的工具来检测模型中的恶意软件或不良行为。
7. API调用审查：对模型的API调用进行严格审查，确保其行为符合预期且没有不正当操作。

更多AI工具，参考国内AiBard123，Github-AiBard123 公众号：每日AI新工具