「音视频上下文」共找到 1670 篇相关文章
面壁小钢炮 VoxCPM-TTS：开源端到端 TTS，轻量高效低延迟
面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。
2.1K星CCPM：多Agent任务，流水线一样并行Coding
CCPM基于GitHub Issues + Git worktrees，有严格五阶段流程。多agent负责同一issue不同子任务，实现任务级并行，最高提升3倍交付速度，75%降低Bug率，还能避免上下文丢失等问题，有详细工作流程和命令。
Gemini负责人爆料！多模态统一token表示，视觉至关重要
Gemini模型行为产品负责人Ani Baddepudi与谷歌AI Studio产品负责人探讨Gemini多模态技术，涉及设计理念、应用及发展方向。指出多模态对构建AGI重要，还介绍Gemini 2.5视频理解亮点与‘万物皆视觉’理念。
Claude Code 强大的秘密究竟是什么？
Claude Code 强大源于其强大模型基础、丰富实用的内置工具、不压缩上下文信息及无 IDE 包袱等优势。相比之下，OpenAI 的 Codex 因模型能力、强化训练不足等落后，Anthropic 还靠亏本推广积累数据。
LLM学习笔记：最好的学习方法是带着问题去寻找答案
文章总结拓展Andrej Karpathy教学视频，分析大模型聊天流程与原理，介绍LLM训练步骤，包括预训练、后训练和强化学习，还提及主流特性应用，如文件上传、网络搜索，强调带问题学习的重要性。
康奈尔大学Steven Waslander：从「堆数据」到「用记忆」，拆解 Agentic 仓库机器人的长期记忆难题 | IROS 2026
本文整理康奈尔大学Steven Waslander教授在IROS的主旨演讲，针对智能机器人上下文窗口限制的瓶颈，分享其团队在仓库机器人长期记忆领域的两项核心研究，给出多模态记忆检索与环境动态检测方案，具备工业落地参考价值。
告别“音画割裂”与“人物崩坏”！AutoMV：首个听懂歌词、卡准节拍的开源全曲级MV生成Agent
现有AI视频生成模型做全曲MV有时长限制、音画割裂和一致性差等问题。AutoMV作为开源多智能体系统，模拟人类影视制作流程，能生成长达数分钟、叙事连贯且音画同步的完整MV。
提示词一响，烂片登场，OpenAI谈下200+迪士尼顶级IP出场费
迪士尼官宣向OpenAI投资10亿美元，签三年合作协议，授权Sora用旗下200多个顶级IP生成短视频。此前好莱坞与AI版权纷争不断，如今迪士尼选择变现，但生成内容或影响其品牌形象。
实测新版LiblibAI：终于把模型、生图、工作流塞进一个碗了
本文实测新版LiblibAI，它上线多个模型，添加视频特效玩法。从“找模型”网站变为“AIGC流水线”平台，界面风格转变。虽有亮点，但也存在出图慢、模型惊喜感弱、页面卡顿等问题。
从 0 到 25 万行：一个 100% AI 编码项目，真正难的不是生成，而是治理
作者分享 Routa 项目用 AI 驱动开发的经验，指出 100% AI 编码项目真正难的是治理。介绍多个工具参与情况，阐述项目长出反馈系统的过程，包括规则入口、上下文收敛、提交前约束及仓库级裁决等。