「多模态创作」共找到 1238 篇相关文章
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
美国航天局与谷歌合作，打造AI医疗助手，以保证宇航员健康
Techcrunch消息，美国宇航局NASA和谷歌合作开发AI医疗助手CMO - DA，保障前往火星的宇航员健康。它有多种模态功能，在谷歌云运行。经测试诊断准确性较高，未来还会增加数据源和情境感知能力。
"故宫以东"开启硬核法律讲座，帮助企业提升AIGC版权意识
AI创作大热时，8月13日“故宫以东”平台法律顾问朱子萌开设知识产权法律在线讲座，讲授著作权法“作品”、AIGC作品版权性、输入语料侵权风险等内容，助力企业提升版权意识。
开源TTS语音新标杆！Kyutai TTS：350ms延迟碾压全场，词级时间戳重构！
法国AI实验室Kyutai开源高性能TTS语音模型Kyutai TTS，基于DSM框架，支持流式输入、超低延迟与高保真语音生成，有多项亮点，还给出不同使用方式及应用场景。
每一幕皆可控！字节发布多主体视频生成神器，人人皆主角
字节发布多主体视频生成神器MAGREF，基于一张参考图像，能生成主体高度一致的视频，多人同台也不串脸。它采用三阶段数据处理流程，构建在DiT架构上，实现复杂视频生成任务。
AI开源狂飙，OpenAI们慌了！GenAI大洗牌，2025趋势深度解读
2025年，ChatGPT仍领跑，但DeepSeek、Qwen等开源模型加速追赶。独立机构报告总结六大趋势，涵盖技术突破与市场格局演变，如推理模型实用化、MoE架构普及等，开源势力挑战闭源巨头。
CVPR 2025 | SketchVideo让手绘动起来，视频生成进入线稿时代
中国科学院大学等团队提出基于线稿的可控视频生成和编辑方法SketchVideo，发表于CVPR 2025。它基于预训练模型添加线稿控制网络，解决现有视频生成模型可控性等问题，实现高质量视频生成与编辑。
AI视频运镜玄学已破！告别无限抽卡，3D预演台直接封神
用AI做视频常遇运镜、人物走位等问题，因文生视频系统缺空间锚定能力。updream在8月17日上线「预演台」功能，通过传参考图自动生成3D白模场景，实测显示其显著减少「抽卡」次数。
更快更省！Vidu Q3硬核升级打响AI视频普惠第一枪 | 甲子光年
2026年AI视频行业内容产出增长迅猛，但成本上涨、生成慢等问题凸显。生数科技的Vidu Q3模型全面升级，生成速度提升5倍、价格降低，适配多场景，为AI视频普惠工业化提供范例。
ICLR 2026 | 救命，手机Live Photo重选封面终于不糊了
vivo 蓝图实验室与南开大学联合发布研究，被 ICLR 2026 接收。该研究定义了 Live Photo 重选封面帧修复任务，提出 LiveMoments 方案，利用原始封面帧作参考提升画质，实验表现优，应用场景广。