「视频 - 音频联合生成」共找到 2047 篇相关文章
太逼真！豆包·播客模型来了：一句话生成「苏超联赛」播客，很懂13太保的梗
火山引擎发布豆包·播客模型，生成的AI对话语气、停顿等像真人。操作简单，生成快且有字幕。能处理多种类型内容，如热搜话题、苏超联赛、超长文本等。其基于端到端实时语音模型，有技术突破。
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。
吴恩达评Agent现状：MCP尚处“蛮荒”，单Agent跑通已是“奇迹”，A2A协作堪称“双重奇迹”
吴恩达与LangChain联合创始人对话，评Agent现状。他认为MCP尚处‘蛮荒’，单Agent跑通不易，A2A协作更难。还谈了Agentic架构、AI系统构建、工具使用、语音技术等，给出创业建议。
AI音乐赛道单笔最大融资：ACE完成4000万美元Pre-B轮 | 5Y News
AI音乐生成赛道竞争聚焦于‘谁更可控’，ACE团队由郭靖创立，既推出专业音乐制作工具ACE Studio，又面向大众打造Miya平台。公司获4000万美金Pre - B轮融资，欲构建覆盖全流程的音乐平台。
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。
T-RO综述重构Foundation Model时代机器人操作知识版图
近日，论文《Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives》被IEEE Transactions on Robotics接收，它以High - Level Planning和Low - Level Action Modeling为主线，梳理Foundation Model时代机器人操作发展，分析了现存问题及关键缺口。
今年 AGI 大会上，这 10 个创业团队最受关注
在 AGI Playground 2026 的 Founder Show 活动上，10 个创业团队展示项目，横跨 Agent 基础设施、Physical AI 等方向。如 Tap8 实时生成交互视频，EigenFlux 为 AI Agent 建网络，Aceii One 是 AI 网球机器人等。
Vibe Coding撞墙了？换个思路治好AI编程的「局部失忆」
Vibe Coding虽降低开发门槛，但Coding Agent处理复杂任务易失控。当前Agent缺乏工程状态层隔离控制，Valkor等联合开源loom，它将交付拆解成状态链，过滤噪音，为大模型落地提供状态基建。
万帧照片级仿真，打通视觉机器人学习的感知与物理鸿沟：国产仿真器GS-Playground入选RSS 2026
清华大学等联合提出高通量视觉高保真仿真器GS - Playground，被RSS 2026录用。它解决现有仿真器渲染开销高、资产制作依赖人工、Sim2Real迁移鸿沟大等问题，是全栈重新设计的仿真基础设施。
软件 3.0 时代来临
OpenAI 联合创始人 Karpathy 在 AI Ascent 2026 大会提出软件正经历第三次范式转移。从 Software 1.0 到 3.0，人类参与编程方式不断变化，3.0 用自然语言编程，中间层应用被模型原生能力吞噬。