产品派AI日报｜AI音频与智能体能力加速落地，创作与办公场景迎来新变化

小派同学 · 2026-08-21T10:27:30.990Z

本期 AI 动态中，Adobe Firefly 音频功能全面上线，支持按视频生成音乐、配音与音效，OpenAI 强化 Codex 安全防护拦截误删操作，谷歌搜索可生成交互图表并搭配 Lens 讲解，MiniMax Design 实现从任务拆解到视频交付的全链路，阿里 Qwen-UI-Agent 让跨手机电脑网页执行复杂任务成为可能，DeepSeek Harness 加入原生图片输入，鸿蒙版 WPS 移动端新增 AI 讲解与票据扫描。 1. Adobe Firefly 音频模块全面开放，支持音乐配音音效一键生成 Adobe 宣布 Firefly 三项音频能力全面开放，用户可根据视频时长和情感氛围直接生成匹配的配乐。语音生成功能支持输入脚本并调整语速、声音风格和整体情绪，音效模型则能匹配画面动作节奏。官方强调这些模型专为商业使用场景打造，还可选 ElevenLabs 语音模块，为视频制作提供了更便捷的音频解决方案。 2. OpenAI 升级 Codex 多层安全机制，重点拦截代理误删操作 OpenAI 为 Codex 引入多层安全防护，针对少量代理执行超出用户要求的破坏性操作。重点关注临时目录清理场景，如模型未核对路径便删除或覆盖文件。新措施要求操作前进行目标检查，并使用独立临时目录，同时强化危险命令审核和 Full access 权限警告。 3. 谷歌搜索与 Gemini 获新学习功能，支持交互图表与 3D 模拟谷歌升级搜索功能，可围绕知识点生成交互式可视化内容和定制测验，后续 Lens 还能读取题目或学习资料照片并提供讲解。 Gemini 则加入可交互 3D 模拟功能，支持学生中心模式，并在 Gemini Live 中启动多步骤研究报告，完成后继续用语音追问结果。搜索生成定制测验和交互可视化，Gemini 支持 3D 模拟并启动多步骤研究报告 4. MiniMax Design 发布 H3 Agent 工作台，实现任务到视频交付全流程 MiniMax 发布多模态创作 Agent 工作台 MiniMax Design，围绕 H3 搭建连续创作流程。用户提出任务后，Agent 可拆解目标并组织文字图片视频音频素材，调用模型与 Skills 完成分镜规划、内容生成、视频编辑和装配。平台还整合素材管理、审核节点与本地文件接入，减少多工具切换。 5. 阿里发布 Qwen-UI-Agent，支持跨手机电脑网页执行复杂任务阿里发布 Qwen-UI-Agent，定位真实场景 GUI 智能体，可在手机、电脑和网页界面中理解任务、搜索信息并执行操作。支持 GUI 与 CLI 混合流程，以及跨设备长链路任务和主动服务。官方搭建真实设备环境用于训练与评测，并公布多项手机电脑浏览器基准结果，重点验证复杂工作流中的连续执行能力。 6. DeepSeek Harness 更新支持原生图片输入，命令可直接处理图文需求 DeepSeek Harness 发布新版本，新增可配置原生图片请求，/goal /plan 等任务命令现可直接接收图文输入，@ 菜单也能引用文件与既有会话。该版本还加入 Claude Code Codex 子代理 Profile Bundle，完善 Windows PowerShell 会话，并修复大图片载荷导致的请求失败。 dsh-v0.1.0-rc.8 加入图片请求，完善子代理 Profile Bundle 和 Windows 支持 7. MiniMax Design 正式上线，补齐 H3 商业视频生产交付全链路 MiniMax 推出原生 Agent 创作平台 MiniMax Design，围绕 H3 串联脚本图像视频音频与剪辑流程。主 Agent 可理解需求并拆解任务，画布自动连接多模态节点，Skill 库提供品牌广告 3D 动画电商等现成工作流，还支持本地素材管理与专业工具衔接。平台把创意输入执行审核到交付放进连续链路，面向短剧品牌 TVC 与电商内容生产。 8. 鸿蒙版 WPS 移动端升级，新增 AI 讲解与票据扫描功能鸿蒙版 WPS 移动端近日迎来功能升级，新增 AI 讲解与 AI 朗读，可自动梳理长文档结构提炼重点并通过语音输出。智能票据扫描能识别金额开票日期和票据编号并整理为表格。支持自动梳理长文档结构并语音输出，智能票据扫描整理金额日期表格以上信息均来自互联网公开信息