「视频 - 音频联合生成」共找到 2045 篇相关文章
一个模型统一4D世界生成与重建，港科大One4D框架来了
港科大研究团队提出 One4D 框架，可统一 4D 生成与重建，构造同步输出多模态的视频扩散模型，支持多种任务形态。其有 DLC、UMC 等亮点，用合成与真实数据混合策略训练，实验表现佳。
Sora被拉下神坛：PixVerse这款AI视频工具用最低价拿下全球质量第一
所有人以为Sora是AI视频生成天花板，但现在质量排名第一的是PixVerse，它登顶Product Hunt日榜第一。其质量评分超Sora 168分，价格还低20%，且在多方面升级。大众仍认为Sora最强有认知、品牌、信息等因素。
当机器人学会「看」和「说」之后，如何让它们真正拥有「手感」？
今年四月，戴盟机器人联合多家机构发布含触觉全模态具身数据集 Daimon-Infinity 并开源 10000 小时数据。IEEE 与戴盟联合创始人王煜教授深度对话，探讨触觉感知对机器人技术格局的影响、具身机器人落地场景等问题。
1.5B参数！支持本地实时语音转录
Liquid AI发布首个端到端音频基础模型LFM2 - Audio - 1.5B，参数1.5B，能在本地设备处理高质量端到端音频任务。它是统一多模态模型，支持两种生成策略，多种应用场景，虽仅支持英文但性能出色。
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。
全球AI双榜第一！力压谷歌Veo与Grok，Vidu Q3「参考生」之王归来
这个月初谷歌免费开放Veo 3.1视频生成能力，让AI视频更普及，但模型距‘能交付’仍有差距。Vidu Q3带着‘全家桶’回归，覆盖多领域，在权威评测榜单成绩优异，视觉、听觉和场景能力升级。
谷歌NotebookLM终于说中文了！这可是最火的大模型播客产品
NotebookLM正在变成谷歌AI路线里靠谱选手，现支持中文播报且将推移动App。它能将音频源转化为类似播客的对话，有摘要等功能，音频概览功能受欢迎，底层是谷歌Gemini 2.5 Flash，实用性强，即将上线安卓和iOS版App 。
小扎「芒果」生图只输GPT Image 2，没人教它改稿，它自己学会了
Meta推出图像生成模型Muse Image（代号「芒果」）和视频模型Muse Video预览版。Muse Image在文生图榜单排第二，改变画图方式，能自我修正。它与Muse Spark打通，Muse Video文生视频排第3。不过，其@功能有隐私隐患。
马斯克还在卷10秒，中国AI直接掀桌！16秒一镜到底，全球唯二
2026年AI视频圈竞争激烈，硅谷巨头激战正酣，马斯克Grok Imagine上线生成10s视频功能。在此背景下，中国AI的Vidu Q3登场，16s音画直出一镜到底，还支持多种功能，位列中国第一、全球第二。
给 Happy Horse-1.0 讲完戏，我无痛当上导演了
文章聚焦阿里新发布的视频模型Happy Horse-1.0，经测试它在多镜头一致性、人物表现力和视频编辑功能上表现出色，能产出电影质感画面，且价格有竞争力，但物理拟真短板明显，已具影视工业应用潜力。