搜索：音视频一体化

「音视频一体化」共找到 1042 篇相关文章

阿里Qwen3.5小模型发布：0.8B参数就能处理视频，边缘AI时代真的来了

阿里通义千问发布Qwen3.5系列四款小模型，采用Gated DeltaNet混合注意力机制。有原生多模态设计，解决“内存墙”问题。在多基准测试中表现出色，开发者反响好，但也存在幻觉级联、调试局限等问题。

KAUST团队提出全新方法V2M4，能从单目视频直接生成高质量、显式的4D网格动画资源。该方法构建多阶段流程，涵盖相机轨迹恢复等关键步骤，平均每帧约60秒，比现有方法显著提速，论文已被ICCV 2025接收。

全球科技界正豪赌「世界模型」，但主流模型多停留在「视觉生成」。中国影溯公司发布并开源世界模型 InSpatio - World，综合性能优异，以小博大登顶权威榜单，降低了物理世界数字化门槛，引发行业关注。

谷歌在I/O大会放大招，升级所有AI模型，重做原有产品，推出诸多实验性新产品。如Gemini 2.5系列升级，具备新功能；还有异步代码助手Jules、新搜索模式等，多模态模型也全线升级。

字节跳动开源统一多模态基础模型BAGEL，一个模型能同时理解和生成文本、图像、视频。部署测试有亮点但效果不稳定，还分享该模型体验Demo、地址及安装使用教程。

作者测试MiniMax Agent，用其生成法国景点介绍、艺术家作品对比、攻壳机动队分析等网页。它能自主找信息、整理，生成图、音等。和Lovable对比，它表现更优，还支持免费试用。

Google打通NotebookLM和Gemini后，二者协作效果出色。NotebookLM可拆解复杂信息，Gemini以其为参考数据源答案更精准。二者还能基于笔记本做网站、视频、图片等，各有优势、双向协作。

现有第一人称视频助手难以自主判断何时介入服务用户。大连理工大学等团队提出Vinci2，含评测基准EgoServe和智能体EgoMemo。它已被ECCV 2026接收，代码和标注均开源。

作者因旅行照片不尽人意，开发开源 Skill Yingzao · 营造。它风格多样、能检索文化背景，可进行原图对比拼图、多图融合等，适用场景广，还能生成视频，工作方式独特。

AI视频生成行业商业化加速，生数科技不到一周官宣与智谱、飞书等合作。其Vidu基座模型能力强，多领域开花，2025年Q1商业化增速快，还凭交付与服务能力获头部青睐。