「中文字生成」共找到 4546 篇相关文章
谷歌全新Gemini Omni首曝，视频版「香蕉」来了！教授黑板推公式全对
谷歌原生视频模型Gemini Omni意外曝光，其生成视频的连贯性、一致性惊艳，还能实现实时编辑。此前OpenAI的Sora App停服，谷歌I/O 2026将开幕，多款Gemini模型或亮相。
个人音频转录与交互神器
Speakr是个人自托管网络应用，可转录音频、生成摘要和标题，还能通过聊天互动。支持音频上传、浏览器录音等功能，可选择不同转录方式，有简单和高级两种安装方法。
OpenAI放大招！核心API支持MCP，一夜改变智能体开发
今天凌晨，OpenAI全资收购io消息吸睛，还悄悄宣布核心API——Responses API支持MCP服务。这简化智能体开发，还能集中管理工具、保障安全。此外，Responses API的图像生成等工具也有更新，并引入新功能。
不看后悔！GitHub 开源 MultiTalk .8k star 强大的人语音＋图像绑定项目
MultiTalk 是 MeiGen‑AI 开发的开源框架，可从音频、图片和提示语生成多人对话视频。它解决传统视频制作痛点，功能亮点多，技术优势明显，应用场景广，与同类项目对比表现突出。
CVPR 2025 | 解决XR算力瓶颈，FovealSeg框架实现毫秒级IOI分割
来自纽约大学和Meta Reality Labs的联合研究提出Foveated Instance Segmentation新方法。FovealSeg框架结合眼动追踪，能解决XR算力瓶颈，实现毫秒级IOI分割，在多数据集测试中速度与精度双赢。
AAAI 2026 Oral｜LENS：基于统一强化推理的分割大模型
文本提示图像分割技术有战略意义，但基于监督式微调的方法有泛化能力瓶颈。为此引入LENS框架，采用强化学习机制，还介绍其架构、奖励机制，该框架在测试中表现优异，代码已开源。
AI“氛围编程”威胁开源，维护者面临危机
开源维护者正加速关闭外部贡献，因AI生成贡献量大质低。研究显示“氛围编程”会造成负反馈循环，降低软件可用性和质量。平台激励加剧问题，虽有应对策略但效果不佳。
AI智能体也有「蜘蛛感应」，防御延时骤降至8.3%
传统Agent防御机制易致延时积累，研究者联合推出Spider - Sense智能体防御框架，利用两大核心技术将防御延时从200% + 降至8.3%，在主流数据集和新基准测试中表现优异。
谷歌nano banana正式上线：单图成本不到3毛钱，比OpenAI便宜95%
昨晚谷歌图像生成与编辑模型nano banana上线，正式名gemini - 2.5 - flash - image - preview。它有强大能力，成本低，有多种玩法，上线后测试火爆，在多个榜单成绩优异。
啊？豆包居然也开始卷AI编程了？
作者体验发现豆包更新了“应用创造1.0”标识的AI编程功能。该功能不仅能生成代码，还能可视化修改网页结果，用户操作轻松，降低了AI编程门槛，体验远超其他同类产品。