「音视频实时交互模型」共找到 1736 篇相关文章
Mini-Omni-Reasoner：实时推理，定义下一代端到端对话模型
现有端到端对话模型推理能力未解锁，因深度思考带来延迟。为此提出 Mini - Omni - Reasoner，采用边思考边表达范式，突破‘要么快，要么准’困境，还设计了数据合成管线和五阶段训练方法，实验证明其性能提升明显。
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。
Sora 2深夜来袭，OpenAI直接推出App，视频ChatGPT时刻到了
别家节前卷大模型时，OpenAI 悄悄发布 Sora2 并推出 App，还有配套视频推送算法防成瘾。Sora2 在物理准确性等方面优于以往系统，具备同步对话和音效能力，Altman 称是 ChatGPT for creativity 时刻。
英伟达&MIT等推出Long-RL，长视频训练速度翻倍
英伟达联合MIT等推出Long - RL，它是面向长序列推理和多模态强化学习的全栈训练框架，能提升RL训练数据长度上限，让训练速度翻倍。其核心MR - SP并行框架可降低训练耗时和显存，LongVILA - R1是其明星应用。
谷歌开源 Colab MCP Server，AI 智能体可云端运行代码
谷歌开源 Colab MCP Server，使 AI 智能体通过 MCP 与谷歌 Colab 交互，将本地智能体工作流与云端执行环境打通，解决本地部署局限，还反映 AI 智能体与外部工具交互标准化趋势。
AAAI 2026 Oral | 手机传感器正在泄露隐私？PATN实时守护隐私安全
移动应用获取手机传感器数据支撑重要功能，但带来隐私隐患。西安交通大学与东京科学大学在AAAI 2026提出PATN框架，基于对抗攻击思想，设计两大核心技术，能在多种场景下守护隐私安全。
Claude Code 学习最佳实践：NotebookLM 生成全套学习视频+卡片+测试题
文章介绍用NotebookLM学习Claude Code的最佳实践。有人将36篇Claude Code资料“喂”给它，生成含音视频的学习资料库。NotebookLM能多种形式输出，支持多类型输入，值得纳入日常工作流。
阿里开源 Wan2.2-Animate！统一角色动画和视频人物替换
阿里通义实验室开源 Wan - Animate，这是用于角色动画与替换的统一框架。它构建于 Wan 模型之上，支持角色动画和角色替换两项核心功能，性能超现有算法，还通过独特设计实现多种效果。