「音视频一体化」共找到 1042 篇相关文章
AI玩拼图游戏暴涨视觉理解力，告别文本中心训练，无需标注的多模态大模型后训练范式
在多模态大模型后训练浪潮中，现有方法多以文本为中心。MMLab@南洋理工大学提出Visual Jigsaw，将拼图任务用于后训练，让模型不依赖标注强化视觉感知与理解，在图片、视频和3D模态验证有效。
千万级标注成本归零！CVPR 2025清华团队成果：相机的“自运动”就是最好的老师
以往空间音频模型受限于采集条件和标注成本，清华和密西根大学团队在CVPR 2025给出新路径，利用相机自运动作监督信号，让模型从互联网视频学三维空间音频感知，成果入选会议Highlight。
一张照片，一个3D「你」：计算所等提出HumanLift，实现高保真数字人重建
中国科学院计算技术研究所等机构研究人员提出 HumanLift 技术，基于单张参考图像重建高斯网数字人全身。该技术融合三维视频扩散模型和人脸增强，仅需单张人体图片就能重建高逼真三维数字人。
AI短剧生成神器
作者分享开源的AI短剧生成工具，它能根据剧本完成智能分镜、生成视频片段等一条龙服务，采用全局种子+风格继承改善人物和场景一致性，有分镜编辑器可手动调控，适合多种人群。
一周斩获8k星！港大开源AI学习助手，学练研全流程覆盖，教师也要失业了？
港大开源的DeepTutor是AI个性化学习助手，利用多智能体协作等技术，有文档问答、难题解析等四大核心功能，能构建专属知识库，提供全流程辅导，为学、练、研打造一体化平台。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
全新唇同步技术OmniSync，遮挡，侧脸不在话下
唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
内容娱乐新风向：这群创业者靠多模态 AI 玩出了新花样
12月23日，「MASHANG DEMO TO DAILY」第二期活动在杭州开启，展示多模态AI探索成果。6位创业者分享精华内容，涉及游戏开发、虚拟社区、视频创作等领域，探讨多模态AI产品价值与发展方向。
中国机器人手机火爆MWC！老外快门按得根本停不下来
2026年MWC巴展上，荣耀推出的机器人手机Robot Phone引发关注。它有外接云台摄像头，能全角度AI视频通话、互动拍摄，还可结合旗下人形机器人联动。其结构压缩，AI能力强，打开了手机设计新思路。