AI日報｜Claude Fable 5 視覺突破、Gemini 3.5 即時語音翻譯、SCAIL-2 端到端動畫生成與 OpenAI 圖片搜尋總整理

最新 AI 發展總整理：Claude Fable 5 震撼登場與 Gemini 即時語音翻譯全面升級

科技圈的新鮮事總是接踵而來。坦白說，有時候光是消化這些新資訊就讓人頭昏眼花。不過，最近這幾天各大科技巨頭釋出的新技術，的確值得好好關注。這裡不單純只是探討文字生成模型的升級，連同語音翻譯、影像搜尋以及動畫製作，都有了突破性的進展。接下來將仔細梳理這些剛出爐的亮點，並探討它們如何實際應用於生活與工作之中。

遇見新世代的大腦：Claude Fable 5 與 Mythos 5 聯手出擊

這幾天最受矚目的消息之一，莫過於 Anthropic 團隊正式推出了 Claude Fable 5 與 Mythos 5。這兩款新模型被歸類為極高階的等級，整體能力大幅超越了先前的 Opus 系列。

Fable 5 主要是面向一般大眾開放的版本。它在軟體工程、知識工作、科學研究和視覺任務上的表現，都達到了目前的頂尖水準。舉個例子來說，Stripe 在先前的測試期間發現，Fable 5 能夠在短短一天內完成一項浩大的程式碼遷移工作，而這項工作原本需要整個工程團隊耗費整整兩個月才能做完。這聽起來有點不可思議對吧？但這確確實實發生了。此外，Fable 5 的視覺解析能力也極度敏銳，它不再需要繁雜的輔助工具，光靠觀看遊戲畫面就能獨自通關《寶可夢 火紅版》。

許多人或許會問，Fable 5 和 Mythos 5 到底有什麼差別呢？這的確是個常見的疑惑。簡單來說，這兩者的底層架構完全相同，差別僅在於安全防護機制的寬鬆程度。Fable 5 為了維護一般大眾的使用安全，加入了極為嚴格的防護限制。相對地，Mythos 5 則是特別提供給 Project Glasswing 的網路安全專家，以及未來特定的生物學研究人員使用。這些專家需要較高的權限來防禦駭客攻擊，或是加速開發新藥物。

在定價方面，這兩款模型每百萬個輸入端元 (tokens) 收費 10 美元，輸出則是 50 美元。以目前的市場行情來看，這樣的定價策略算是相當實惠，有助於讓更多開發者取得頂尖的運算資源。

跨越語言隔閡：Gemini 3.5 Live Translate 讓對話更自然

跨越語言隔閡一直是一大挑戰，尤其出國旅遊或進行跨國會議時，語言不通總讓人感到有些無助。不過，Google 全新推出的 Gemini 3.5 Live Translate 語音模型似乎找到了極佳的解法。

這款新模型支援超過 70 種語言的即時語音對語音翻譯。過去的翻譯系統通常需要等待一方說完話，系統才會開始接收並處理。這種講者輪流發言的模式，常常導致對話中斷，氣氛也容易變得尷尬。Gemini 3.5 Live Translate 完全打破了這項限制，採用了連續的串流處理技術。也就是當講者還在發言時，系統就已經開始同步翻譯。最特別的是，它還能保留講者原本的語氣、語調和說話節奏。這讓整段對話聽起來非常流暢自然。

一般使用者可以在哪裡體驗這項功能呢？目前這項技術已經逐步推廣至各大平台。針對一般大眾，現在只要打開 Android 或 iOS 上的 Google 翻譯應用程式，接上耳機就能直接感受無縫翻譯的體驗。Android 用戶更享有專屬的「聆聽模式」。只需將手機貼在耳邊，就像平常講電話一樣，就能直接聽取翻譯後的串流語音。針對企業用戶，Google Meet 這個月也會將這項功能整合進去，讓跨國會議的溝通變得更加輕鬆。開發人員同樣能透過 Live API 或 Google AI Studio 來打造專屬的多語系應用。

讓角色活起來：SCAIL-2 顛覆傳統動畫生成方式

對於影音創作者而言，SCAIL-2 開源專案絕對是一個不可錯過的焦點。傳統上，要讓靜態角色模仿影片中人物的動作，通常需要依賴骨架圖或是遮罩來當作中間參考。這聽起來很合理。但在複雜的場景下，骨架圖常常會出現判斷錯誤，甚至被角色本身的身型所侷限，導致最終生成的動畫顯得十分生硬。

SCAIL-2 採用了直接串聯的處理架構，完全跳過了這些繁瑣的中間步驟。它直接從輸入的影像中獲取所有需要的視覺資訊，讓動畫生成變得異常精準。開發團隊特別建立了一個包含六萬個動作配對的巨大資料庫。透過這個資料庫訓練出來的模型，不僅能完成單一角色的動作轉換，還能處理多角色互動，甚至能讓動物跟著影片做出擬真的動作。

目前這個專案的程式碼已經在 GitHub 上公開發布，並且能在 Hugging Face 平台上取得相關模型。這為動畫創作者提供了一個強大且靈活的全新工具。

視覺搜尋的延伸：OpenAI Responses API 支援圖片結果

最後來聊聊開發者們會感興趣的實用更新。大家都知道 OpenAI 的 API 功能相當完備。現在，OpenAI Responses API 的網路搜尋功能正式支援圖片搜尋結果了。

過去這個 API 僅能回傳文字形式的解答。坦白說，很多時候人們更需要視覺上的參考依據。現在加入了圖片支援，開發者就能輕鬆打造出更豐富的應用程式。舉例來說，當使用者想要尋找特定的旅遊景點、購買特定商品，或是單純需要設計靈感時，應用程式就能直接呈現相關圖片和來源連結。這不僅大幅提升了使用者體驗，也讓尋找視覺資料的過程變得更加直覺。

問與答

Q1：Claude Fable 5 和 Mythos 5 都是 Anthropic 推出的新模型，兩者有什麼主要的差異？

答： 這兩款模型的底層架構完全相同，主要的差異在於「安全防護機制的寬鬆程度」。

• Fable 5 是面向一般大眾的通用版本，為確保安全，它設有極嚴格的防護限制，如果偵測到涉及網路安全、生物或化學的敏感指令，會自動降級交由前一代的 Opus 4.8 來回應。
• Mythos 5 則是特別開放給政府、專屬的網路安全防禦團隊（如 Project Glasswing）以及特定的生物學研究人員使用。它移除了在資安與生物化學上的安全限制，讓專家能利用其強大的能力來防禦駭客攻擊或加速新藥物的開發。

Q2：文章提到 Claude Fable 5 擁有極強的視覺解析能力，有什麼具體的例子可以證明嗎？

答： 最有趣的例子是它遊玩《寶可夢 火紅版》的表現。過去的 Claude 模型在玩這款遊戲時，需要依賴非常複雜的輔助工具（提供遊戲狀態、地圖或導航輔助）才能進行。但是，Fable 5 只需要「純看遊戲畫面截圖」的視覺功能，就能夠從頭到尾自主通關，完全不需要額外的文字狀態輔助。

Q3：Gemini 3.5 Live Translate 解決了過去語音翻譯的什麼痛點？

答： 傳統的語音翻譯系統通常採用「回合制（turn-by-turn）」，也就是必須等一方把話說完，系統才會開始接收處理並給出翻譯，這常常導致對話中斷且氣氛尷尬。 Gemini 3.5 Live Translate 解決了這個問題，它採用了「連續串流處理」技術，當講者還在發言時，系統就會同步進行翻譯，而且還能保留講者原本的語氣、語調和說話節奏，讓支援超過 70 種語言的跨國對話變得非常自然流暢。

Q4：為什麼對動畫創作者來說，開源專案 SCAIL-2 是一個重大的技術突破？

答： 傳統上，要讓靜態角色模仿影片中的動作，必須高度依賴「骨架圖」或「遮罩」等中間參考特徵。但這種方式有很大的侷限性，比如骨架圖在複雜場景下容易誤判，且無法處理非人類（例如動物）的動作轉移。 SCAIL-2 的重大突破在於它採用了「端到端（End-to-End）」的架構，完全捨棄了骨架圖等中間步驟。它直接從輸入的影像中抓取所有視覺資訊，不僅能處理複雜的多角色互動動畫，甚至能輕鬆完成跨物種（如動物驅動）的角色動作替換。

Q5：OpenAI Responses API 最近更新了什麼對開發者實用的新功能？

答： OpenAI Responses API 裡的網路搜尋功能，現在正式支援回傳「圖片搜尋結果」了。 在此之前，該 API 的網路搜尋只能回傳純文字解答。這項更新讓開發者可以輕鬆打造出視覺資源更豐富的應用程式，當使用者想尋找特定商品、旅遊景點或是設計靈感時，應用程式就能直接顯示相關的視覺圖片與來源連結。