搜索：多人交互视频生成

「多人交互视频生成」共找到 1542 篇相关文章

智谱联合清华开源多图参考视频生成模型，带来主体一致性新高度

合肥工业大学、清华大学和智谱开源多主体参考视频生成模型Kaleido。它用全新数据构建法和精巧架构，解决主角与背景混淆难题，实验显示其在多维度表现优异，超越现有开源模型。

西湖大学研究团队提出 Code World Model，将‘世界如何演化’和‘世界如何被看见’拆成两个互补问题，由 Coding Agent 决定世界演化，代码执行规则，视频模型转化为视觉观察，有应用潜力。

音视频生成领域以往多阶段架构易致音画不同步等问题。耶鲁大学团队提出 OVI 统一范式，采用双塔 DiT 架构与分块式跨模态融合机制，实现音画同步生成，不过目前有计算开销大、音频有局限等问题。

自变量机器人开源的HOST框架，让机器人看29s人类示范视频就能学会新技能，原技能不受影响。它通过自定位级联预测，解决了人和机器人动作节奏、身体结构不同的问题，效率远超主流微调方案，推动机器人进家庭。

文章介绍阿里云魔笔AI Chat Builder，它能将AI对话变可交互界面。对比现有AI应用开发方式，阐述其综合优势，还介绍核心能力、搭建方法、多端发布等，未来将打磨能力并推新功能。

2025年‘世界模型’成AI巨头战场，谷歌、李飞飞团队等纷纷布局。上周北京智源研究院发布Emu3.5，340亿参数，基于790年长视频数据训练，其架构优越，推理快，能力强，还公开技术报告邀全球探索。

在AI热词不断涌现的时代，斯坦福大学等机构研究将长上下文、状态空间模型、扩散模型等结合，创造全新「视频世界模型」。它用状态空间模型实现长期记忆，还设置局部注意力机制，训练和推理表现出色。

作者小G推荐开源项目TaleStreamAI，它能将AI小说片段转为电影感短视频，具有全自动处理等功能，官方提供一键安装包，对创作者、程序员等有不同价值，开发者还在招募人员。

生成可动物体是具身智能等领域关键挑战，现有方法有局限。北大团队提出DreamArt框架，从单张图像生成可交互可动物体，经三阶段流程，表现优于基线方法，不过也存在生成不符物理规律等问题。

Wayve的LA - Pose研究，不依赖百万级3D标注，从约1000万段未标注驾驶视频自监督学习‘潜在动作’，再用少量3D标注微调，转化为相机位姿估计能力，在多基准上提升精度且泛化能力强。