「图像到有声视频」共找到 1340 篇相关文章
nnU-Net：医学图像分割的自适应自动化框架
德国癌症研究中心团队提出 nnU-Net 自配置医学图像分割框架，能根据数据集特征自动推导预处理、网络拓扑等策略获稳健分割基线。文章介绍其原理、优缺点、评测案例及 Python 代码实现。
英伟达新GPU，超长上下文/视频生成专用
在AI Infra Summit上，英伟达宣布推出NVIDIA Rubin CPX GPU，专为处理百万token级代码生成和生成式视频应用。它是首款为超大上下文AI量身定制的CUDA GPU，性能强且能效高，预计2026年底推出。
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。
CapCut Mate：开源剪映自动化神器，让AI替你剪视频！
CapCut Mate是开源免费的剪映草稿自动化助手，让开发者通过API控制剪映核心功能，效率提升超100倍。它功能丰富，覆盖剪辑全流程，适用于多场景，还提供三种使用方式。
LeCun出手，造出视频世界模型，挑战英伟达COSMOS
训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。
不止剪辑！剪映的未来是一站式AI视频平台
剪映产品负责人宣布，其野心是成为一站式AI成片的创意伙伴。今年对AI文字成片功能系统性升级，整合豆包、DeepSeek模型，新增多种功能，还推出剪小映应用，要打造一站式AI视频编辑平台。
这个开源项目把视频处理与投稿接成一条流水线
Y2A-Auto是面向YouTube、AcFun和bilibili的自动化处理工具，将下载、识别、翻译等操作集成到Web管理后台。用户可手动或自动处理，支持多平台投稿，有多种功能和灵活配置，适合持续处理授权内容的用户。
倒反天罡：ChatGPT教人说话？36万视频+77万播客已证实！
最新研究警告，ChatGPT正改变英语表达方式，植入自身偏好。研究人员分析超36万视频和77万播客，发现GPT词汇使用率显著攀升。但研究有局限，且AI沟通还引发信任危机等问题。
阿里搞了个全能解析器，文档、图片、音频、视频一锅端
阿里巴巴开源 Logics-Parsing-Omni，用一个模型统一处理文档、图片、音频、视频四种模态，输出结构化 JSON 数据。它采用三级渐进解析框架，两阶段训练策略，在自建基准上多项指标超越 Gemini - 3 - Pro。
北大、字节、中科院自动化研究所等提出图像并行生成新范式
北大、字节等团队发现多模态模型先思考后作画会降低图像语义保真度，因自回归架构有误差传播问题。为此提出并行多模态扩散框架MMaDA - Parallel，构建ParaBench基准，多项优化后在测试中击败Bagel。