搜索：可交互音视频

「可交互音视频」共找到 5029 篇相关文章

Google 开源 InkSight，把手写笔记直接变成可编辑数字笔记！

Google 开源 InkSight，能将手写照片转为数字墨迹，与传统 OCR 不同，它可「还原书写方式」。具备离线转在线、多语言支持等功能，核心是「阅读 + 书写」双重训练，有两种使用模式。

复旦大学与腾讯等机构提出VerseCrafter，这是通过显式4D几何控制实现的动态逼真视频世界模型，能精准控镜和指挥物体3D运动。它用独特方法构建4D可控世界模型，实验超现有SOTA方法，代码与模型已开源。

多模态视频生成大模型是复杂系统工程，多为巨头游戏。MiniMax的Hailuo 02发布，ELO得分超谷歌Veo 3和快手Kling 2.0。它能呈现复杂运动，处理物理关系，提升训练推理效率，成本低，后续还将更新。

作者实测LibTV团队版，分享用其制作皮克斯风格3D动画片段的过程，介绍团队版核心功能，如团队主体库、共享积分池、权限管理等，还提及新功能，指出AI视频走向工业化，而该团队版是首个专注团队协作的工具。

PhoneClaw 是运行在 iPhone 的本地 AI Agent，可离线运行 Google Gemma 4。它支持多模态，有隐私保障和灵活模型管理。文中介绍使用方法、自定义 Skill 方式、常见问题，还提及后续扩展计划。

谷歌宣布重大成果，全新量子回声算法在 Willow 芯片运行，解决原子相互作用问题比传统超级计算机快 13000 倍，结果可验证，相关研究登《Nature》封面，朝量子计算实用迈进一大步。

VAST是一家专注通用3D大模型研发与落地产品建设的人工智能公司。创始人宋亚宸表示，3D生成未普及是缺3D UGC平台，所以从工具和模型入手。该公司核心产品Tripo Studio成果显著，今日还宣布完成5000万美元A轮融资。

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。

1.4亿《精灵宝可梦Go》玩家10年拍300亿张实景图，为Niantic免费收集数据。Niantic用此数据训练VPS视觉定位系统，提升机器人配送效率，还获巨额投资，剥离游戏业务专注空间AI。

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。