「多模态语音理解大模型」共找到 1763 篇相关文章
“图片秒生”，腾讯混元图像2.0模型正式发布，主打速度和真实感
5月16日，腾讯发布混元图像2.0模型，率先实现实时生图，生图速度快、质量高，能避免‘AI味’。在GenEval基准上准确率超95%，还发布实时绘画板功能，后续将推原生多模态模型。
GAN之父Ian Goodfellow病后归来，剑指高效世界模型
GAN之父Ian Goodfellow等提出，利用符号化表示和游戏虚拟世界数据，或为构建动作条件多模态世界模型最佳路径，该模型可支持长时序任务预测与规划，还探讨构建原因、数据来源等。
最强开源VLM“华山论剑”丨多模态专场直播
近期Intern - S1等多模态大模型开源，引发热烈讨论。本周四OpenMMLab等发起AI Insight多模态专场，邀请模型核心研发者分享，涵盖模型设计思路、实践经验等，还有圆桌对谈。
17K+ star！ElevenLabs 超强平替，能克隆、能混音、能 API 调用！
ElevenLabs 效果好但价格贵且有隐私风险，现开源项目 Voicebox 是其免费替代。它本地优先运行，功能丰富，如语音克隆、文本转语音等，在 GitHub 收获 17.4K+ Star，适合多类用户。
商汤林达华万字长文回答AGI：4层破壁，3大挑战
在WAIC 2025上，商汤发布国内首个实现“图文交错思维”的商业级大模型日日新6.5。商汤科技联合创始人林达华发文，剖析多模态通用智能实践，解答AI领域关键问题，提供通往AGI的参考。
刚刚，豆包「成精」了！一夜告别机械感，上亿人手机全量上线
字节跳动Seed团队发布原生全双工语音大模型Seeduplex，已在豆包App全量上线。它边听边说、懂思考停顿、抗干扰强，解决了精准抗干扰与动态判停难题，工程上也有突破，提升了交互体验。
最小模型仅 25MB，老设备无 GPU 也能流畅跑！
开源项目`KittenTTS`是文本转语音模型系列，核心特点是“小身材，大能量”。最小模型约1500万参数，体积25MB以内，无需GPU，靠CPU就能实现高质量语音合成，适合多种设备和场景。
阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！
阿里通义团队上新 Qwen3-TTS 文本转语音模型，主打拟人语音表达、丰富音色体系与多语言多方言能力。有 49 种高保真音色，支持 10 种语言、9 种方言，还能智能调节语速和韵律。
统一框架下的具身多模态推理：自变量机器人让AI放下海德格尔的锤子
当前先进机器人无法像人类自如用工具，现有多模态系统有局限。自变量机器人提出端到端统一架构，以统一表示学习和多任务多模态生成解锁具身多模态推理能力，实现范式转换。
独家｜前DeepSeek核心研究员魏浩然出任百度文心多模态算法负责人
9月3日消息，原DeepSeek核心研究员魏浩然带队转入百度，任文心大模型多模态算法负责人。此前他在多模态与端到端OCR底层重构有突出成绩，这是百度布局青年顶尖研发人才的又一动作。