「播客视觉化」共找到 812 篇相关文章
斩获22K star！再见重复劳动，微软AI开源智能办公机器人来了！抓紧用起来
微软推出视觉自动化神器`OmniParser`，上线GitHub获22K star。它重新定义人机协作，有三大能力、五大自动化杀手锏，适用于六大实战场景，还给出速成指南，与同类方案相比优势明显，正重塑办公范式。
音频全能王炸！小米MiMo-Audio开源，力压Gemini/GPT-4o！
小米团队开源通用音频大模型MiMo-Audio，集多种功能于一身，支持7国语言零样本克隆和中英混合合成。首包延迟低，效果自然稳定。在多个基准测试中表现优于Gemini-2.5-Flash和GPT-4o-Audio。
小红书最新开源TTS力作！4人对话自然无缝，毫秒极速响应！
近年来TTS技术爆发，但多人对话的自然流畅性和长序列稳定性一直是难点。小红书团队开源的FireRedTTS - 2是面向多人对话场景的TTS模型，实现自然切换和低延迟，支持多语言，适用于多种场景。
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
GPT-5.4意外泄露！OpenAI最新模型瞄准这2大能力突围
GPT - 5.4疑似泄露，此前在OpenAI编码助手、GitHub代码拉取请求等多处有踪迹。传闻其将搭载200万Tokens上下文窗口，具备像素级精准视觉分析能力，不过也可能是炒作，网友关注其准确率。
DeepSeek深夜更新后自曝：我是V4（？！）
DeepSeek网页端深夜大更新，推出「快速模式」和「专家模式」，还有「视觉模型」开启灰度测试。虽官方未说明，但网友推测专家模式可能是V4或V4 Lite，完整版V4或许不远。
中山大学梁小丹团队论文：让视频生成从「看起来真实」到「物理上正确」丨CVPR 2026
中山大学梁小丹团队提出《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》，通过分层建模和逐步对齐，引入视觉语言模型作监督，解决视频生成模型物理建模问题，提升物理正确性和视频质量。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
新晋顶流Agent颠覆设计师！Lovart一手实测来了：是该刷屏爆火
新晋顶流Agent Lovart火爆全网，可一句话搞定专业视觉设计，支持二次编辑。量子位实测其设计能力强，背后是多模型融合调度。它定位人机协作，适合中小企业，官网可申请内测。
DeepSeek又又又又发新论文了！这一次，他们重构了AI看图的方式
DeepSeek发布论文DeepSeek - OCR 2，指出传统AI看图方式有误，提出视觉因果流概念。其两阶段级联推理解法效果显著，还可能整合进即将发布的DeepSeek V4，有望实现原生多模态。