搜索：音视频一体化

「音视频一体化」共找到 1042 篇相关文章

SIGGRAPH Asia 2025｜30FPS普通相机恢复200FPS细节，4D重建方案来了

3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。

新加坡南洋理工大学 MARS Lab 提出 Action-to-Action (A2A) Flow Matching 新范式，以历史机器人轨迹为生成起点，打破生成速度与精度瓶颈，在训练效率、推理速度及泛化表现上佳，还可扩展至视频生成领域。

香港中文大学与快手可灵团队联合提出运镜可控视频生成框架CamCloneMaster，引入‘参考即用’范式，告别对相机参数依赖。其训练、测试代码和数据集均已开源，在各项指标上优于SOTA方法。

最近「上下文工程」很火，Andrej Karpathy 为其打 Call。它和「提示词工程」不同，是构建自动化系统给模型提供输入。文章介绍了其核心要素、实践方法论，还给出了参考的博客和视频。

谷歌发布首个原生全模态 Embedding 模型 Gemini Embedding 2，将文本、图、音视频及 PDF 融于统一向量空间，实现跨模态检索，降低架构成本，赋予 AI 连贯「记忆」，是重塑 AI 基建的里程碑。

作者一直想用语音对接 OpenClaw，却发现「光帆AI」团队已朝此方向发展。他们用 APP 跑通「耳机 + 服务」链路，后续将迁移到硬件。作者体验后觉得交互爽，还介绍了接入方法、安全模式等。

Google DeepMind CEO Demis Hassabis在访谈中分享诸多观点。他认为未来十年能实现完整AGI，还谈到Genie 3重新定义视频、人形机器人重要性等，指出AI创造力不足等局限，也提及旗下公司在制药等领域突破。

2025年科技公司意识到技术需被看见。发布会等传统传播方式遇冷，科技内容融入生活日常。抖音在科技传播竞争中站到中央，通过创作者视频让技术直观呈现，解决企业从产业到大众认知转化难题。

9月底苏黎世电影节上，AI制作公司Particle6打造的AI女演员Tilly Norwood亮相引热议。这意味着AI视频生成技术正加速渗透影视行业，也引发了关于AI演员是否会取代人类演员等诸多争议。

OpenAI宣布关停Sora，其曾风光无限，从2024年发布技术预览到2025年Sora 2上线火爆，后因国产模型突破、版权危机热度退潮。此举是战略调整，为筹备IPO聚焦商用与代码开发。Sora败退，AI视频进入‘中国时间’。