「视听场景理解」共找到 2620 篇相关文章
开源真强大，不敢相信，太真实，揭秘8.3k star 开源神器 VoiceCraft 如何封神！！！
VoiceCraft 是多团队合作推出的零样本语音编辑与 TTS 开源项目。它能几秒克隆语音，实现编辑功能，支持零样本文本转语音，在真实场景音频中性能超 XTTS - v2、VALL‑E 等模型，解决了内容创作和编辑痛点。
从亚太到欧美，阿里云瑶池数据库凭何成为中企出海的技术底气？
在中企出海迈向‘深水区’时，阿里云瑶池数据库成关注焦点。它涵盖多版块，能提供全链路生命周期服务。对话负责人薛菲可知，其满足出海数据库需求，在多场景表现出色，融入AI能力，获国际认证，为中企出海提供底气。
微信悄悄上线AI播客，新闻主播们的活儿可能真要被抢了。
微信正在灰度内测AI播客，入口在“快讯”页面。它从重要新闻中挑内容分类改写，以双人对话方式播读。此前公众号后台也尝试AI声音。此功能适合资讯新闻，未来或能盘活更多信息场景。
柔体操作最缺数据、最怕仿真失真？新研究让布料物理真实再现
上海AI Lab的SIM1研究实现布料物理性质真实再现，解决仿真数据与真实场景对齐问题。它提出real - to - sim - to - real新范式，通过闭环流程生成数据，能扩展轨迹、提升泛化能力，有望重新定义机器人数据天花板。
全球首款120通道PCIe5交换芯片面世，为国产AI基础设施赋能
随着AI算力需求增长，芯动科技推出全球领先的104/120通道PCIe Gen5交换芯片。该芯片功能及性能全面对标国际行业龙头，可适配全场景应用，其落地标志国产高端PCIe交换芯片实现关键跨越。
死磕即梦48小时，我发现了AI公众号封面的懒人密码
作者与即梦Agent死磕48小时，分享AI公众号封面制作经验。介绍垫图法、两个提示词模板，测试提示词反推、语义理解等功能，指出不足，认为即梦像AI作图界拼多多，瑕不掩瑜。
豆包悄悄上线的这个新功能，也能用眼睛推理全世界了。
作者分享豆包新上线的视觉推理功能，在PC和手机场景使用体验良好。通过ChinaJoy图片、德爷相关图片、表情包等实例展示其推理能力，虽有软肋但很实用，还免费，体现出与其他工具的差距。
AI秒懂短视频，快手大模型Keye-VL理解力爆表！技术细节全开源
快手全新多模态大语言模型Kwai Keye-VL上线且开源，能深度融合多模态信息，在视频理解、复杂视觉感知和逻辑推理上表现优异。介绍了其技术架构、预训练和后训练策略及训练架构优化等内容。
分享10本我觉得AI时代应该必读的好书。
作者推荐10本非AI直接相关但对理解和学习AI有用的书，如《失控》助理解AI本质，《人有人的用处》探讨人机关系，《系统之美》揭示AI使用代价等，这些书构成AI时代底层方法论。
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。