「多模态语音理解大模型」共找到 1766 篇相关文章
下一代AI需要「思想微积分」！华人团队重磅揭秘，AI方法论三连发
来自美国两所大学的华人团队发布「AI方法论三部曲」，提出「能力实现率（CRR）」模型、「认知几何学」框架，指出处于AI的「元语言时刻」，未来迈向「思想微积分」时代，从多维度构建理解AI的世界观。
vivo发布端侧多模态模型，只有3B可理解GUI界面，20项评测表现亮眼
vivo AI Lab发布端侧多模态模型BlueLM - 2.5 - 3B，融合文本与图文能力，支持长短思考模式切换。它在20余项评测中表现出色，参数量小，训练和推理成本低，有精巧结构、高效策略，还有高质量数据和高性能平台支撑。
开源2天斩获3K标星！开源TTS新星Chatterbox盲测击败ElevenLabs！
文本转语音（TTS）技术发展快，但达顶尖水平仍有挑战。开源TTS新星Chatterbox，开源2天冲上GitHub热榜，星标超3K。它功能亮点多，安装简单，适用于多种场景，性能超ElevenLabs。
视频推理界的“福尔摩斯测试”：所有大模型，统统不及格 | 论文代码开源
腾讯ARC Lab和香港城市大学推出Video - Holmes，这是视频推理界的‘福尔摩斯测试’，能展现多模态大模型复杂视频推理能力的边界，规避现有Benchmark痛点，测试中所有大模型全部不及格，代码已开源。
Manus突发上新文生图！告别“抽卡”，Agent+深度思考联合创作
Manus深夜官宣支持生成图像，与一般AI绘图工具不同，它能理解画图目的，规划方案后再生成。它可完成如房间装修可视化、饮料瓶设计等任务。目前已开放注册，不过付费价格遭网友吐槽。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google更新Gemini 2.5 Pro至05 - 06版。此版代码能力在WebDev Arena盲测登顶，超Claude 3.7 Sonnet；还提升视频理解，可将视频转为可视化网页，虽有产品打磨问题，但进步值得肯定。
我是如何破解 NotebookLM 系统提示词的？
作者分享通过“逆向推理”破解NotebookLM系统提示词的故事，介绍系统提示词概念、破解原因、策略及从播客音频逆推提示词的方法，还提到该方法的效果及局限性 。
刚刚开源的学术论文阅读神器，AI 驱动的个性化“暴躁教授”助你攻克论文！
学术论文阅读常因晦涩内容和语言壁垒让人望而却步。Mad-Professor是开源的AI驱动学术论文阅读工具，集成多种功能，通过AI问答和语音交互解答疑惑，赋予个性化角色，让阅读体验高效且生动。
Meta全开源HumanCLAW：基础模型正进入具身智能的决策层
过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。
1w颗星！本地化视频翻译配音工具！
KrillinAI是多功能音视频本地化与增强方案，面向人类用户和AI Agent。它功能全，覆盖视频处理完整链路；特点多，支持CLI调用等；还兼容多种语音识别、大语言模型和TTS服务，可Docker部署。