「音视频识别模型」共找到 8141 篇相关文章
端到端语音模型：从语音表征到模型架构
本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google将Gemini 2.5 Pro更新为05 - 06版，此版代码能力在WebDev Arena盲测竞技场登顶，还提升视频理解能力，可将视频变成可视化网页，虽产品有不足，但模型进步值得肯定。
视频扩散模型新突破！清华腾讯联合实现高保真3D生成，告别多视图依赖
清华大学联合腾讯提出Scene Splatter，基于视频扩散模型，从动量视角引导其生成满足三维一致性的视频片段，提升三维场景生成效果，解决了传统方法在单张图片重建三维场景的难题。
实测可灵AI的新视频模型，它生成的动作戏酷到封神。
作者实测可灵2.5新视频模型，它已灰度内测并登上釜山电影节。与可灵2.1对比，可灵2.5在运动和表演能力上大幅提升，还增强了文生视频与理解能力，让创作者有更多创作自由。
对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准
文章围绕清华团队提出的 WorldArena 评测框架展开。它针对具身世界模型，对过去沿用视频生成的评测逻辑重新审视，从视觉质量和功能性任务两维度评估，推动世界模型从‘生成世界’迈向‘使用世界’。
视频世界模型困在像素网格里：腾讯开源SCoPE，用射线空间重写位置关系
香港大学、香港科大与腾讯ARC Lab联合提出SCoPE，让视频模型处理位置关系的基底从张量网格转向射线空间。它将相机射线坐标注入Video DiT，新增参数不到原模型0.1%，多方面表现获改善。
V-RAE：把「看懂视频」的能力带入生成，重新思考视频模型的潜空间
近日，新加坡国立大学 Minghui Guo 与牛津大学 Shengqiong Wu、Hao Fei 在论文中提出视频表征自编码器 V-RAE。它以冻结的视觉基础模型为编码器压缩视频特征，还引入轻量级模块聚合信息。经实验验证，其在视频生成和预测上性能出色。
一手评测Seedance 1.0 pro，字节首次登顶视频大模型竞技场的大杀器来了。
作者在火山引擎发布会现场，认为视频生成模型Seedance 1.0 pro最酷。从多镜头组合、运动质量、情绪、运镜、物理动态效果、风格化六个维度测评，该模型各方面表现出色，无明显短板，已开放给企业用户，今日在豆包App全量上线。
刚刚，AI大牛刘威视频创业公司Video Rebirth，完成5000万美元融资
AI视频初创公司Video Rebirth完成5000万美元融资，由刘威博士创立，致力于打造“视频原生的世界模型”。融资用于视频模型迭代等，解决行业痛点，其核心创新机制让模型表现突出。
VEGA-3D：释放视频生成模型中的隐式3D知识，重塑3D场景理解与具身交互
华中科技大学与百度联合提出VEGA - 3D，释放视频生成模型隐式3D知识。它将视频生成模型作‘潜在世界模拟器’，用自适应门控融合机制，提升场景理解等任务表现，无需额外3D标注数据。