「视频OCR」共找到 1081 篇相关文章
我给在上学的弟弟做了个论文版抖音
作者弟弟被海量论文困扰，作者为其做了像刷短视频一样刷论文的工具，用了 Claude Code 和星辰 Agent 社区版，还介绍了系统逻辑、搭建过程，对比了不同平台，最后工具开源，鼓励按需改进。
2.12页/秒，MinerU2.5太快了，1.2B硬刚腾讯、阿里
GPT - 4o等刷新OCR榜单，但产业界仍面临文档图像处理难题。MinerU2.5提出1.2B轻量级文档解析模型，采用创新解耦范式，在多基准测试表现出色，单卡吞吐快，还给出可借鉴创新点。
X-Actor 惊艳登场！长时唇动+情感同步人像动画生成
字节提出 X - Actor，一个音频驱动自回归扩散框架，能通过一张静态参考图像和一段音频生成逼真、富有情感表达的人像动画视频。其核心是两阶段解耦生成流程，实现长时间唇形同步与情感音频一致性。
从文本到3D动画：AnimaX重新定义3D动作合成方式
北航与清华推出3D动画框架AnimaX，结合视频扩散模型运动先验与骨骼动画可控性，让任意骨架3D角色自然动起来。其核心方法灵活控制动作，虽有局限，但为3D动画创作打开新局面。
Vector数据库退位，AI记忆Memvid登场！
近期基于视频的AI记忆库Memvid大火，宣称革新AI记忆管理，能将文本片段存于MP4实现快速语义搜索。不过网友分析，它底层用FAISS，读写慢、文件大，仓库issues也显示其性能与声称相反。
Veo 3逼真脱口秀爆火全网，网友：彻底超越恐怖谷！Sora已被完爆
Veo 3生成的脱口秀视频全网爆火，人物、场景真实，声音和嘴型能对上，已超越恐怖谷。它或让人类进入‘模糊时代’，还会颠覆游戏、电影、广告等行业，未来AI生成内容或远超非AI内容。
陶哲轩联手AI挑战经典ε-δ极限！加法秒杀、乘法翻车
数学大师陶哲轩第三支Lean 4自动化数学证明视频，携手GitHub Copilot挑战「ε - δ」极限问题。Copilot处理加法较顺，减法卡壳，乘法失控。复杂证明时它短板尽显，陶哲轩认为复杂证明还得靠人脑。
宇树机器人上市前再破纪录
IPO前夕，宇树科技放出新一代人形机器人「超人」预告视频，其打破两项世界纪录：0.85米短腿原地起跳2米高，冲刺跑峰值速度超博尔特。该机器人仅研发三月多，后续提升空间大。8月19日宇树将上市。
Seedance 2.5 专业创作实测：3D导演台、局部重改、角色库如何释放模型能力
Seedance 2.5升级，3D导演台自带图片生成白模功能、打通3D工作流；有片段重拍实用功能；小云雀升级角色资产能力。除素材增加，其更理解原视频创意逻辑，还有多模态参考等功能，降低创作门槛。
世界模型评测的最大盲区，被这个新基准捅破了
过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。