「视频 - 音频联合生成」共找到 2045 篇相关文章
无需NeRF/高斯点后处理，视频秒变游戏模型成现实！新方法平均每帧仅需60秒 | ICCV 2025
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。
还在花钱转语音？10,000+ star 开源「ebook2audiobook」白嫖1107种语言！免费文字秒变多语言音频！
`ebook2audiobook` 是由 Drew Thomasson 主导、13k+ Stars 的开源工具，能将电子书无缝转换为有声书，支持 1107+ 语言，有章节拆分、多 TTS 引擎支持等功能，低门槛部署，适合多场景。
ICML26 | 浙江理工大学马啸讲师和南京大学李武军教授课题组联合提出EMCES：为强化学习合成更有价值的样本
强化学习获取高质量样本成本高、风险大，现有基于扩散模型的样本增强方法有局限。浙江理工大学马啸讲师和南京大学李武军教授课题组提出 EMCES，将情景记忆机制引入可控扩散模型，提升下游强化学习算法表现，论文已被 ICML2026 录用。
登顶全球权威榜单！浙大创业团队百卡打造开源实时世界模型，视频秒变可交互4D世界
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。
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% | 清华腾讯斯坦福联合
清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。
谷歌年度大招：所有AI模型全升级一遍！Gemini2.5大杯中杯霸榜前二，新版视频/图像模型亮相
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。
独家丨天机智能完成10亿元B轮及B+轮融资，估值近百亿，高瓴、美团联合领投
AI科技评论独家获悉，具身智能基础设施公司「天机智能」完成10亿B轮及B+轮融资，投后估值近百亿。其深耕底层技术，多项技术突破，产品优势明显。融资将投向三方向，还布局整机产品。
中国具身智能融资新纪录诞生！它石智航Pre-A轮融资4.55亿美金，高瓴红杉美团联合领投
4月16日，具身智能公司它石智航宣布完成4.55亿美元Pre - A轮融资，刷新行业纪录。它以物理世界AI和通用机器人技术为核心，针对数据、模型、硬件问题给出解法，还攻克工业难题创吉尼斯纪录。
SOTA大模型遇上加密数据评测：Qwen3未破10%，o1也栽了丨上海AI Lab等联合研究
当前推理模型在基准测试中性能卓越，但在密码学领域推理能力待探索。上海AI Lab等推出CipherBank评测，用海量真实隐私场景数据和多类型密码算法挑战SOTA大模型，结果显示模型表现不佳，还分析了模型“犯难”原因。
百万规模数据集打造人形机器人通用大模型，实现精细动作跨平台、跨形态动作迁移丨北大人大联合发布
北大和人大团队在通用人形机器人动作生成领域取得重大突破，首创通用动作生成框架Being - M0，构建百万规模动作生成数据集MotionLib，研发文本驱动动作生成模型，实现人体动作向多类型人形机器人迁移，文章将发表于ICML2025。