搜索：音视频生成模型

「音视频生成模型」共找到 8850 篇相关文章

刚刚，Google Veo 3.1 发布，Sora 还香吗？

Google 发布 Veo 3.1，重新定义 AI 视频生成天花板。它对叙事深度理解，新增音频生成，有四大核心能力。网友将其与 Sora 2 对比，二者各有千秋。还介绍了 Veo 3.1 使用方式及 Flow 平台成果。

作者作为户外运动爱好者，用Nano Banana Pro做户外运动成果展示的图片提示词和海报效果佳，还将图片转3D模型、加手势控制，文章分享制作方法、提示词及工具使用方式。

VLM在3D空间推理上表现不佳，且缺乏合适测试基准。匹兹堡大学团队提出InfiniBench框架，用LLM Agent迭代优化和聚类策略，可按需生成3D场景，还能精准定位大模型空间推理缺陷。

6名前Google DeepMind成员创立Poetiq，搭建元系统让前沿大模型自动生成解决特定任务的策略和模型组合，降低推理成本。其Gemini 3 Pro优化技术在ARC - AGI - 2上创SOTA，成本仅为之前最优方法一半。

AI图像生成正告别VAE技术。清华与快手可灵联合提出SVG方案绕开VAE，纽约大学谢赛宁团队也提出RAE模型。SVG用自监督特征构建潜空间，在质量、效率和通用性上超传统，证明统一视觉模型可行。

大晓机器人发布 Kairos 开悟世界模型，其首创“多模态理解 — 生成 — 预测”原生一体化架构，采用跨具身渐进式训练体系和“以人为中心”的数据金字塔，还实现端侧部署，在四大权威具身智能基准上全面登顶。

视频创作中字幕制作耗时费力，剪映等工具各有局限。开源字幕工具 AutoSubs 能有效解决痛点，可一键生成高质量字幕、自动区分说话人，本地运行保障隐私，还具备多种亮点功能，使用简单。

当下视觉生成中，开源模型在逻辑推理生成任务上频频翻车，与闭源模型有差距。浙大与阿里团队提出Unified Thinker，将思考与执行解耦，构建数据集、采用创新算法，实验显示其有效提升逻辑执行准确度。

北大团队在ACMMM 2025发布InteractMove，首次提出含可移动物体3D场景中基于文本的人 - 物交互生成任务，构建数据集与创新框架，在多指标领先，代码与模型已开源。

阿里智能引擎团队针对Qwen最新开源模型，将SOTA压缩水平从80 - 100步前向计算骤降至2步，速度提升40倍，5秒可出4张2K高清大图。已发布Checkpoint，集成到呜哩AI平台。文章还分析传统蒸馏方案问题并介绍团队改进策略。