搜索：多模态语音理解大模型

「多模态语音理解大模型」共找到 1763 篇相关文章

免剪辑直出！AI生成多角色同框对话视频，动态路由精准绑定音频

Bind-Your-Avatar基于扩散Transformer框架，通过细粒度嵌入路由将语音与角色绑定，实现精准音画同步，还引入数据集MTCC和基准测试，实验显示其在身份保真和音画同步上优于现有方法。

MiniMax正式在港交所主板挂牌上市，股票代码“00100”。此次全球发售约3358万股，募资约55.4亿港元。市场认购热烈，早盘一度涨幅超50%，市值突破763亿港元。其技术多模态齐发，组织高效，为行业提供新样本。

现有AI Agent记忆方案有局限，MIRIX作为模块化多智能体记忆系统应运而生。它由六种记忆类型和多智能体框架组成，支持多种检索功能。在多模态和单模态测试中表现优异，为记忆增强型LLM智能体设新标准。

在AI硬件浪潮中，AI眼镜被视为有潜力替代手机的形态。心眸科技发布的AI眼镜Moonix，重14.9克，回归眼镜本质，以“记录”为核心，具备主动式AI能力，能实现“记录 - 理解 - 分享”闭环。

传统RAG有速度慢、细节丢失等问题。Vidore开源的ColQwen - Omni 3B多模态RAG模型，支持跨模态检索，能直接处理音视频原始数据，保留细节，检索速度快，还具备轻量高效等特性，适用于多场景。

LLM计算成本高，用户要低延迟，企业要高吞吐。工程师开发优化技术，如动态批处理、KV缓存、模型量化。论文对比25款推理引擎，还探讨了多模态支持、手机端推理、新型架构支持等进化方向。

DeepSeek推出DeepSeek-OCR 2，提出“视觉因果流”，以全新视觉编码器赋予模型因果推理能力。它在文档解析基准表现超Gemini 3 Pro，代码和模型权重已开源，为2D推理和原生多模态探索铺路。

文章揭秘 OpenAI 内部使用 Codex 的情况，介绍其在理解代码、重构迁移、性能优化等多方面的应用场景，还给出最佳实践，如用‘提问模式’开始、组织好提示等，展现了 Codex 强大的开发辅助能力。

本文介绍了鲸格PPT Skills，它是语义驱动的静态演示系统。区别于多数AI PPT工具，它先理解内容语义再呈现，支持多格式输出，有独特架构、动效和审美规则，生成的PPT可编辑、交互性强。

清华大学团队推出Dolphin模型，仅用6M参数，通过离散化视觉编码和热扩散注意力机制，实现单次推理精准分离语音，速度提升6倍以上，在多项基准测试中刷新纪录，为端侧设备部署开辟新路。