「音频生成」共找到 2352 篇相关文章
AI自动生成工作流，n8n官方出品
AI自动生成工作流成趋势，n8n官方已支持该功能。新建工作流时点击“Build with AI”，用自然语言告知需求，AI会搜索节点并连接成工作流。目前仅云端版可用，使用需切换到最新测试版。
反超Nano Banana！OpenAI旗舰图像生成模型上线
OpenAI发布图像生成模型GPT - Image - 1.5，有更严谨指令遵循、精确编辑等亮点，速度快4倍。玩法类似Nano Banana，在指令遵守和精确编辑上有提升，将在ChatGPT面向所有用户推出，价格下降。但在世界理解能力上遭质疑。
松下发布多模态大模型，文本、图像、音频随意切换
多模态数据处理成热点，但现有模型处理复杂任务有挑战。松下开发多模态大模型OmniFlow，采用模块化设计、多模态引导机制，实验显示其在多任务中有卓越表现。
ICLR 2026 | ESC — 解构一步生成，厘清细节，探寻本质
西湖大学研究人员针对一步扩散生成模型复杂性问题，提出统一设计框架，对代表性模型进行组件级分析，定位关键误差来源，提出ESC变体，在ImageNet 256×256上取得优异成果。
Gemini 的 PPT 生成：使用技巧及模板提示词
Gemini APP 上线 PPT 生成能力，可通过提示词精细控制，还能与谷歌产品打通。文章介绍其使用方法，如开启 Canvas 模式、利用搜索填充内容等，还分享百搭 PPT 风格提示词。
人大-清华-腾讯发布：音频 - 视觉多模态任务统一框架
人大、清华和腾讯合作发布Crab论文，目标是实现多模态场景理解任务的高效一统。它针对音频 - 视觉理解模型难点提出解决方案，构建数据集、设计LoRA结构、统一架构，训练分预训练和指令调整两阶段。
用“蒸汽机”生成视频，还能音视频一体化交付？
8月21日百度营销发布百度蒸汽机2.0，含多版本，有声版可音视频一体化交付。经测试，其生成视频细节佳、运动规律合理。它能解决影视业诸多痛点，成本低，还可免费使用。
从多模态大模型中「拆」出音频向量模型
Google 发布原生多模态向量模型 Gemini Embedding 2，推动 Omni Embedding 发展。Jina AI 团队分享从多模态大模型中「拆」出音频向量模型的经验，介绍架构、训练数据，对比四种做法，还提及评测、应用场景及结论。
生成式推荐！推荐系统新范式还是新噱头？
文章围绕生成式推荐展开，介绍其概念，探讨效果和成本问题。以Meta的GR和快手的OneRec为例，分析收益与开销，指出不同团队应用情况，认为它或带来架构革新，也提醒勿盲目跟风。
简单快速的用 Claude Code 帮你创建 PPT 生成 Skills
Claude Code热度高，其Skills可辅助构建简单Agent。作者以创建Nano Banana PPT生成Skills为例，教大家安装、使用及创建Skills，还提及Skills迭代和局限性等内容。