「音频理解」共找到 905 篇相关文章
18K+标星！视觉AI驱动的浏览器自动化，告别XPath，无惧网页改版！
网页自动化常遇页面更新脚本报废等难题，而开源工具Skyvern不走传统XPath/DOM路子，用视觉+大语言模型理解网页，能自适应改版，功能丰富，安装运行简单。
AI让文科彻底灭绝？算法猜不透人心，人类终将反杀！
著名科技记者Steven Levy给文科生打强心剂，认为无论AI多强大，它没人性，人文学科涉及对人类行为与创造力的理解，是计算机无法获得的，文科生仍有广阔未来。
首个多人对话视频生成框架MultiTalk，角色有表情还能互动
现有音频驱动人体动画方法多聚焦单人，处理多音频流能力弱、指令跟随有局限。中山大学提出多人对话视频生成新框架MultiTalk，介绍了技术原理，演示效果显示其指令跟随能力强、伪影少。
OpenAI Codex负责人 Tibo访谈：指明未来Agent方向以及为什么频繁重置额度
近期OpenAI Codex负责人Tibo接受采访，透露产品方向与技术路线，如让Agent深度理解用户、合并ChatGPT和Codex等，还谈及保持迭代、对竞争态度、重置用量限额等问题。
开源多模态大模型EarthMind，观测地球统一框架
地球观测数据复杂，现有多模态模型难适用。意大利、德国多所高校研究人员联合开源多模态大模型EarthMind，引入空间注意力提示模块，实现跨模态融合和多粒度理解，解决地球观测难题。
世界模型来了因果技术标杆！具身大脑真要长脑子了
具身智能有泛化能力瓶颈，构建‘世界模型’成热门赛道。Aether AI获2000万美元种子轮融资，走因果世界模型路线，创始人黄碧薇认为这是世界模型‘终局形态’，能让机器人理解物理规律。
干掉同传？谷歌把AI同传放入所有耳机，顺手发了个颠覆性的AI浏览器
Google加速将Gemini融入核心产品线，向Google翻译引入其能力，带来实时语音翻译Beta版，提升文本语境理解，扩展语言学习工具；还推出实验性浏览器Disco，用AI重构网页浏览体验。
【CUDA 博客】使用PTX指令更高效地加载和存储矩阵
文章围绕使用PTX指令高效加载和存储矩阵展开，介绍`ldmatrix`和`stmatrix`指令格式、适用GPU版本、地址计算逻辑等，给出不同矩阵数量的实现代码示例，助读者理解和应用。
多人会话视频生成新突破：香港科技大学，浙江大学用单人数据实现多人交互视频生成
香港科技大学、浙江大学等开源 AnyTalker，提出音频驱动多人交互生成新范式。它用创新机制和两阶段训练策略，以少量数据实现多人视频生成，还构建评估指标，性能超现有方法。
OpenAI 推出 gpt-realtime：语音智能体进入“秒回”时代，开发者直呼交互更自然
OpenAI 发布语音对语音模型 gpt - realtime，开放 Realtime API。其结合可端到端处理语音，缩短响应时间。模型语音质量、理解能力、函数调用能力提升，API 全面升级，多家企业已试点，还强化了安全措施。