「视频 - 音频联合生成」共找到 2045 篇相关文章
三大核心创新公开，快手开源多模态Keye-VL 1.5拿下视频理解SOTA，8B力压GPT-4o！
快手开源多模态Keye-VL 1.5，为8B视频理解最强模型，公开3大核心创新技术。它靠Slow-Fast视频编码等，在20+基准屠榜。在多类基准测试和内部测评中表现优异，将业务经验沉淀到开源社区。
一个能思考、会记忆的AI导演诞生了！新加坡管理大学，香港中文大学等实现故事化视频生成
新加坡管理大学等提出开源全能多智能体框架UniVA，可统一视频理解、分割等能力，按指令生成完整故事视频。还引入UniVA - Bench基准测试套件，实验显示其在多任务中表现出色，代表视频智能生成重要进步。
SOTA级视频编辑新方法：无需训练一句话编辑视频，背景保持100%
传统视频编辑工作流被AI重塑，但现有AI方法存在问题，多源于反演 - 编辑范式。西湖大学AGILab提出无需反演和训练的FlowDirector，开销低、支持广且能100%保持背景，还采用新策略优化。
实测惊艳全球的Veo3！音画同步无敌，贵是有原因的
谷歌开发者大会推出的Veo3模型，具备强大文本和图像转视频能力，首次实现视频与音频同步生成。实测中，它生成的视频音画效果惊艳，但也有翻车情况，谷歌还给出提示词编写指南。
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。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
The Batch: 937 ｜OpenAI 退出视频生成领域
OpenAI计划关闭视频生成器Sora，将资源重新分配到更有盈利性的投资中。Sora虽能生成高质量视频，但生成耗时久、计算成本高，日亏损约100万美元，其与迪士尼的合作也将结束。
SIGCOMM 2026 | 从「人眼看视频」到「AI理解视频」：北大提出面向AI的实时通信框架Artic
AI 正从「文字聊天」走向「边看边聊」，传统实时视频通信难以满足需求。北大团队提出 Artic 框架，重构码率自适应等，实验显示其能显著提升准确率、降低延迟。
基于离散扩散模型的高效音频修复方法
数字音频时代音频易损坏丢失，传统修复法处理长间隙不佳。本古里安大学研究人员提出基于离散扩散模型的音频修复法，经MusicNet数据集实验验证，该方法在各间隙长度上表现优异。
互联网黑话之西游记版 AI 视频的制作方法
文章介绍互联网黑话之西游记版AI视频制作方法。先与AI共创剧本，以互联网黑话结合西游记场景为佳；再让AI根据剧本和人物形象图生成包含多内容的分镜脚本，生成首帧图后按脚本制作视频，不满意可反复生成再拼接。