「音视频实时交互模型」共找到 1736 篇相关文章
跨平台智能媒体处理与创作工具箱
pyMediaTools 是基于 PySide6 的跨平台桌面应用，集成媒体批处理和 AI 音视频创作工具。利用 FFmpeg、ElevenLabs 和 Groq API，有格式转换、语音合成等功能，还介绍了安装、配置、打包方法。
李飞飞最新长文火爆硅谷
AI教母李飞飞发表长文，首次系统性解释空间智能，提出真正具有空间智能的世界模型须具备生成、多模态、交互三个核心能力，还分享World Labs进展及世界模型在多领域的潜力。
登顶AndroidWorld开源榜首！可以操作手机的移动端AI Agent。
Minitap开源的手机Agent登顶AndroidWorld开源榜首，亮点是能操控安卓与iOS模拟器。用户用自然语言就能完成复杂任务，还具备跨平台控制、全场景交互等特点，项目可快速部署。
华纳兄弟起诉Midjourney
Theverge消息，华纳兄弟起诉文生图平台Midjourney，称其AI工具生成大量侵犯版权的角色图像和视频，如蝙蝠侠、超人等。诉状列举侵权行为，提供对比案例，华纳希望获禁令并索赔。
OpenAI 将推出群聊功能，终于要对 Slack 下手了
据爆料，ChatGPT 网页版将推出群聊功能预览版。群聊可通过链接分享，新成员能看历史记录，自定义指令独立，还有表情反应等交互功能。OpenAI 或借此获取对话数据，有取代 Slack 之意。
Claude 额度又双叒叕调整……是个好消息，更是坏消息
Anthropic 从 6 月 15 日起调整 Claude 额度规则，编程与交互用途用量分家，设独立月度 credit。对轻度用户是利好，重度用户是降级，第三方工具开发者喜忧参半，还与 OpenAI Codex 形成对比。
盛大AI研究院新作：流式生成超越非流式，一句话让虚拟人动作丝滑如真，推理延迟仅1帧
盛大AI研究院与东京大学联合提出FloodDiffusion，首个基于定制化扩散强制的流式人体动作生成框架。它能零延迟生成无限长动作序列，解决了现有方法的问题，在多数据集评估中表现优异。
不用拍的广告片？深度拆解美团闪购AIGC营销新案例
美团闪购与AI达人共创两支AIGC营销视频，以“技术为品牌说话”。“西游篇”突出“快”，“神话篇”展示“多”，用AI生成“超现实”场景包裹品牌价值，为行业提供营销示范。
最低 306KB，这款低延迟语音检测神器太绝了！
语音交互中，VAD至关重要。新开源的TEN VAD能精准识别语音起止，是替代WebRTC VAD和Silero VAD的优选。它低延迟、高准确率、极致轻量，已被Kaldi集成，还能跨平台部署，使用方便。
告别JSON冗余：TOON让Token成本降低30-60%
LLM交互用JSON有冗余，成本高、速度慢。TOON格式专为LLM优化，结合YAML和CSV特点，比JSON减少30 - 60%的token消耗，还介绍了特性、上手方法、集成实践和适用场景。