「可交互音视频」共找到 5029 篇相关文章
图像分层生成：新加坡国立大学和Lowart AI实现了图像可编辑的PSD文件输出
新加坡国立大学和Lowart AI发布OmniPSD，利用Diffusion Transformer架构解决分层图像生成与拆解难题，实现可编辑PSD文件输出。它能通过文本生成分层PSD文件，也能拆解单张平面图像，解决AI生成图像难编辑痛点。
龙虾的应用商店挂牌了！北大开源MagicSkills，让Agent Skill可自由安装组合同步
北京大学Narwhal - Lab开源项目MagicSkills，把AI Agent所需技能统一管理，实现能力复用。它解决了技能管理分散、重复等问题，提供共享体系，让技能可安装、组合、同步和调用，适用于多Agent项目等。
对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准
文章围绕清华团队提出的 WorldArena 评测框架展开。它针对具身世界模型，对过去沿用视频生成的评测逻辑重新审视，从视觉质量和功能性任务两维度评估，推动世界模型从‘生成世界’迈向‘使用世界’。
OpenAI重新开源！深夜连发两个推理模型，o4-mini水平，笔记本、手机可跑
OpenAI 自 GPT - 2 后重新开源，此次连发两个推理模型 gpt - oss - 120b 和 gpt - oss - 20b。它们性能达 o4 - mini 水平，可在笔记本、手机运行，有宽松许可等亮点，在多测试中表现出色。
马斯克偷偷憋了个大招！Grok秒出《阿凡达》画质，好莱坞瑟瑟发抖？
马斯克又放大招，Grok即将推出「Imagine」视频功能，能加音效、配画面，支持多风格生成，可把图像转换为视频。它挑战谷歌Veo 3，生成速度快，操作体验好，还支持多方式创作。
世界模型的DeepSeek时刻！魔芯Flash World Model降本70%，跑出50FPS实时交互
魔芯科技发布全球首个超高帧率交互式世界模型 MoWorld，无需高端 GPU，实现影视级画质、50 FPS 实时交互，降本 70%。其技术架构先进，产业化路径清晰，获过亿美元融资。
AI秒懂短视频，快手大模型Keye-VL理解力爆表！技术细节全开源
快手全新多模态大语言模型Kwai Keye-VL上线且开源，能深度融合多模态信息，在视频理解、复杂视觉感知和逻辑推理上表现优异。介绍了其技术架构、预训练和后训练策略及训练架构优化等内容。
实测Gemini图片转视频新功能，终于蹲到经典梗图后续了（doge）
Gemini接入带声音的图片转视频功能，作者实测该功能。用开盒指令测试，生成速度较快；还尝试给梗图加后续，发现生成精确内容需详细提示词，且不能生成具体真人形象内容。
AI 模特时代到来：字节x清华推出商用级视频换装模型DreamVVT，保真度显著领先SOTA
字节跳动智能创作团队联合清华推出视频换装模型DreamVVT，基于Diffusion Transformer构建，用两阶段设计解决复杂场景痛点，支持多种输入，在保真度和时序稳定性上领先SOTA。
11Labs 增长负责人：搞营销要学着做视频，但创始人出镜会有点自恋
AI语音独角兽ElevenLabs增长迅猛，估值超30亿美元。其增长负责人Luke Harries分享独特策略，如分业务单元管理、重视视频营销、多渠道推广等，还给出团队搭建、产品发布等实用建议。