「视听分离」共找到 121 篇相关文章
智源新出OmniGen2开源神器，一键解锁AI绘图「哆啦 A 梦」任意门
2024年9月智源研究院发布统一图像生成模型OmniGen，获社区好评。近期OmniGen升级为OmniGen2，增强多方面能力且全面开源。它采用新架构与策略，有反思机制，玩法丰富，还推出新基准优化部署。
个人音频转录与交互神器
Speakr是个人自托管网络应用，可转录音频、生成摘要和标题，还能通过聊天互动。支持音频上传、浏览器录音等功能，可选择不同转录方式，有简单和高级两种安装方法。
“无限可能”AI视频竞演第二阶段结果揭晓，11部作品入围深圳路演大会
3月8日，“无限可能”AI视频竞演完成二阶段评审，11部作品从50部入围作品中选出，晋级3月14日深圳路演大会。作品经“幻镜”AI视听测评季第三季测评，结果将现场公布。
X 推荐算法开源，暴力拆解推荐机制，这是内容创作者的终极流量增长秘籍。
马斯克兑现承诺，将X推荐算法开源。文章用通俗语言介绍其运作原理，把推荐系统比喻成两个‘内容买手’和一个‘裁判’，还给出内容评分标准、过滤机制及创作者提升流量的实战建议。
OVI：统一的音视频生成模型，声音与画面同步诞生
音视频生成领域以往多阶段架构易致音画不同步等问题。耶鲁大学团队提出 OVI 统一范式，采用双塔 DiT 架构与分块式跨模态融合机制，实现音画同步生成，不过目前有计算开销大、音频有局限等问题。
谢赛宁团队新作：不用提示词精准实现3D画面控制
谢赛宁团队新发布的Blender Fusion框架，结合图形工具 (Blender) 与扩散模型，让视觉合成不再仅依赖文本提示，实现精准画面控制。其核心是对现有技术高效组合，还透露两项训练技巧提升泛化性。
当Sora 2意外停摆，这个国产视频生成创业团队，直接「开源」三连击
OpenAI叫停Sora 2项目，同期北京AI初创公司Sand.ai在GitHub连续三天开源核心技术栈，包括音视频同出大模型、分布式Attention组件、全局编译框架，还介绍了团队和产品，展现全栈实力。
AI 智能体界的 npm 来了！Vercel 推出 Skills.sh，欲统一智能体指令集
Vercel 发布开源项目 Skills.sh，为 AI 智能体打造“标准动作库”，让其通过命令行执行可复用操作。它是开放生态，开发者能定义、分享指令。项目获广泛关注，社区认为其实用性强。
一步步实战 CopilotKit（AG-UI协议）：生成式 UI 与集成 Human-in-the-Loop【下】
文章延续上篇Demo，探索CopilotKit在重要场景的应用，如基于Agent的生成式UI、HITL人类参与流程等。展示了相关实例操作步骤与前端效果，指出其为构建智能应用奠定基础，降低AI融合门槛。
Current Robotics 发布 Curr-0：以 Single Policy 实现全身灵巧操作
Current Robotics发布Curr - 0，解决人形机器人移动与操作分离困境。它用Single Policy统一训练，基于HumanEx采集数据，还构建多物理模态交互世界模型，是全栈具身智能基础设施成果。