搜索：视频字幕处理

「视频字幕处理」共找到 1875 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。

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。

复旦大学等团队推出OmniLottie框架，利用创新分词技术将视频、图文指令变成高质量矢量动画。团队还打造数据集MMLottie - 2M，构建测试基准MMLottie - Bench。实验显示，OmniLottie在多任务测试中优势明显。

面对陌生的GitHub项目，直接把代码扔给AI效果不佳。而`Gitingest`这款开源工具，能将Git仓库转化为适合LLM处理的文本摘要，适配各类AI助手输入需求，使用方式灵活，在GitHub上很受欢迎。

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。

Dedoc是开放通用系统，能将文档转换为统一格式，提取逻辑结构和内容。用Python实现，支持多种格式，有可扩展性等优势，还能处理扫描文档，可用于多个系统，介绍了安装方法。

今天凌晨，Physical Intelligence发布VLA模型π0.7，首次在机器人领域证明组合泛化。它用多样化prompt处理多样数据，涌现多种能力，还证明数据过滤可能是伪问题，架构基于前作，推动VLA回归。

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。

光影焕像在 3D-AIGC 存储上，因三维模型数据量大、格式多，对存储要求高。经探索，从 NFS、GlusterFS 到最终选 JuiceFS，搭建统一存储平台，管理上亿文件，提升处理速度，简化运维。

文章指出AI Coding应用中开发者存在认知误区，基于实践为后端开发者提供使用指导。涵盖个人上下文管理、输出质量判断等内容，介绍核心使用流程，涉及项目开发、脚本处理等场景及最佳实践。