「场景演绎」共找到 1926 篇相关文章
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
OmniHuman-1.5：让数字人拥有“思考”的视频生成新范式
现有视频数字人模型难捕捉角色本质，字节提出 OmniHuman - 1.5 框架。其核心创新是用 MLLM 提供语义引导、提出多模态 DiT 架构和伪末帧设计，使模型融合多模态信号，生成高质量角色动画。
含全文！OpenAI发布GPT-5官方Prompt指南
OpenAI 发布《GPT-5 prompting guide》，介绍新模型变化及使用方法。新增 `reasoning_effort` 和 `verbosity` 参数，还有 Responses API。Cursor 分享实战心得，同时提及控制 Agent 积极性、解决指令冲突等内容。
模型压缩与量化：让大模型走向轻量化落地
文章介绍模型压缩与量化技术，其能在保持性能时降低大模型计算和存储需求，实现边缘设备高效部署。还阐述基础知识、关键技术路径、应用场景，并探讨未来发展方向。
OmniAvatar震撼开源！阿里夸克开源全新音频驱动角色模型
音频驱动人体动画技术有局限，阿里夸克团队推出OmniAvatar模型。它用逐像素多层次音频嵌入和LoRA训练法，解决唇动同步等问题，适用于多领域，但也存在颜色偏移等不足。
OpenAI: 构建 AI 智能体实用指南
OpenAI发布的《构建AI智能体实用指南》，阐述智能体定义、适用场景，介绍构建的核心组件、架构编排，强调安全保障，指出构建需多方要素配合，未来聚焦智能体生态系统。
字节开源了一款多模态神器！BAGEL上线，超越Qwen2.5-VL，媲美SD3！
多模态AI发展进入新阶段，字节跳动开源通用多模态大模型BAGEL。它支持多模态输入输出与思维链推理，性能超Qwen2.5 - VL等，安装使用友好，有多种应用场景。
StarRocks MCP Server 开源发布：为 AI 应用提供强大分析中枢
过去，开发者让大模型用数据库查询数据需开发插件等，费时费力且难复用。StarRocks MCP Server 提供通用接口，让 LLM 标准化访问 StarRocks，执行 SQL 查询。MCP 规范模型与上下文交互，其核心组件分工明确。
Astra 的 Computer Use 能力是如何实现的？
本文编译自Browserbase增长工程师Kyle Jeong的个人博客，对比了纯视觉路线Computer Use模型的缺陷，详细拆解Astra模型利用无障碍树结合Codex Harness实现能力的架构、训练方法，分析其优劣与行业价值。
这个开源项目 OpenStory，把 AI 短剧制作变成了一条可复制的工业流水线！
现在制作完整AI短剧流程繁琐，很多团队是小作坊式生产，效率低且难规模化。OpenStory开源项目站在成熟AI服务肩上，将AI短剧制作工业化，能把剧本变成风格统一的视频作品，解决诸多痛点。