「音频理解」共找到 905 篇相关文章
马斯克AI女友直播「一秒变身」，Karpathy看完立刻投钱
世界首个支持直播推流的「实时」扩散AI视频模型MirageLSD诞生，大神Karpathy亲自站台。它能理解真实视频后同步生成AI视频，实现零延迟、无限时长、每秒24帧不卡顿，给视频娱乐和直播互动带来丰富想象。
跑通AI Agent「最后一公里」：iMeanAI的WebAgent后训练技术全解析
文章深入解析iMeanAI的WebAgent后训练技术，指出当前AI Agent落地存在从‘理解’到‘执行’的困境。通过两个极限任务展示其能力，介绍核心技术架构和后训练进化引擎，还提及该技术带来的自由体验，其1.0版本已公测。
SpAItial发布超逼真3D空间基础模型
德国AI初创平台SpAItial获1300万美元种子轮融资，发布超逼真3D基础模型。其核心技术能理解3D世界，可基于文本或图片生成3D场景，在多领域有革新可能，虽有竞争，但未来有望推动AI三维突破。
腾讯Omega：下一代“AI BI”的答案？
本文介绍腾讯 Omega，它是为解决传统 BI 和 ChatBI 问题而设计的数据分析产品。Omega 能理解业务问题，生成完整 Dashboard，确保数据流动、安全和稳定，还支持人机协作，提供审美基础设施，性价比高，有完善运行时和监控推送等功能。
和Anthropic CEO一起发过Nature，他用Claude Code复活三年烂尾代码
华盛顿大学首席开发者Brendan MacLean用Claude Code复活三年烂尾代码。他像带实习生一样带Claude，构建上下文让其理解代码库。同一周OpenAI开源Symphony，实现任务自动派Agent。二者路线不同但目的相同，都在探索让AI融入工程流程。
300个AI员工，跑满4000步不崩，Kimi新一代模型K2.6来了
月之暗面开源发布 Kimi K2.6 模型，在通用智能体、代码编写和视觉理解等综合能力上全面跃升。它在多项测试成绩领先，能连续工作13小时，还在全栈开发、多智能体协作等方面有出色表现。
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
关于 AI Agent，你最想知道的 3 个问题——为什么我说“垂直 Agent”是个伪命题
文章解答了关于 AI Agent 的三个读者问题，包括概念定义、大厂推出的原因及商业化前景、通用与垂直类 Agent 的商业前景。指出 Agent 是 AI 落地有价值方向，目前有挑战，真正机会在围绕其构建的数据、工具和行业理解。
黄仁勋CES最新演讲：Rubin 今年上市，计算能力是 Blackwell 5 倍、Cursor 彻底改变英伟达软件开发方式、开源模型落后于先进模型约6个月
英伟达CEO黄仁勋在CES 2026演讲宣告AI从理解语言走向改造物理世界。他提及开源模型发展，还发布多款新品，如AlpaSim仿真框架、GROOT 1.6机器人模型、AI超算Vera Rubin等，凸显英伟达在AI领域的布局与野心。
估值 7 亿美元的 AI 语音输入产品：语音输入的关键问题是听写，不是转录
AI语音输入产品Wispr Flow发展迅猛，ARR 5个月翻10倍，公司估值超7亿美元。其创始人Tanay Kothari认为，该产品与其他同类最大区别是理解用户意图，解决听写而非转录问题，还分享了产品特点等内容。