搜索：音频 - 视觉模型

「音频 - 视觉模型」共找到 7950 篇相关文章

完爆ChatGPT！谷歌这招太狠：连你的「阴阳怪气」都能神还原

谷歌发布Gemini 2.5 Flash原生音频模型，可保留语调进行实时语音翻译，实现拟人化交互。还具持续监听、风格迁移等功能，提升开发者所需的函数调用、指令遵循等能力，另有实验产品Disco。

MoonCast是革新性对话式语音合成模型，已开源。它借助LLM让剧本有干货与人味，采用全面规模化策略使音频合成更自然，性能在双语长对话播客上提升显著，接近真人播音效果。

阶跃星辰团队探索自回归图像生成新路径，推出 NextStep-1。它直接在连续视觉空间自回归生成，架构简洁，实现端到端训练。模型有高保真生成和编辑能力，Benchmark 表现佳，但也面临稳定性等挑战。

面壁上新最强端侧多模态模型MiniCPM-V 4.5，基于Qwen3 - 8B与SigLIP2 - 400M构建，总参数量8B。它视觉语言理解强、手机能跑，有高帧率视频理解等特点，还有多方面技术亮点。

智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。

国产AI豆包发布视频通话新功能，能实时报准时钟时间，还接入联网搜索，准确性和时效性强。实测中，它可当看剧搭子，还能识别食材、解答物理题等，背后是豆包·视觉理解模型在发力。

Black Forest Labs的开源视觉模型FLUX.2上新，是专为现实创意工作流程打造的生产力工具。与前代相比，实现从「会画」到「懂你要画什么」跃升，还能在多方面保持一致性，各变体有不同定位与场景。

本文介绍华为GTS算法团队针对大模型Agent网络排障遇到的「拓扑失忆」痛点，提出NetCanvas方案，通过可交互视觉拓扑实现认知卸载，大幅提升复杂网络排障的准确率和效率。

香港大学、阶跃星辰等用VFMTok新方法，让图像生成模型借用顶级视觉AI的眼睛看世界，实现更快、高质量图像生成，且无需复杂引导技巧。它改变图像理解方式，将像素死记硬背转为语义理解。

理想汽车基座模型MindVLA团队与国创决策智能技术研究所联合发布论文，提出面向端侧大语言模型的「硬件协同设计扩展定律」，解决大模型部署在端侧设备的难题，实现软硬协同设计，提升模型性能和研发效率。