「文本到图像生成」共找到 2669 篇相关文章
小米AI语音新框架：人人都能当声音导演
小米大模型应用团队提出Midasheng - audio - generate与Xiaomi Any2Speech两大音频生成框架。前者可实现全场景声音重建，后者让AI学会理解声学空间与叙事逻辑，改变了语音合成应用场景与思路。
MiniMax秀了波AI视频杂技：越看越惊艳，指令遵循太强了
MiniMax发布海螺2.0版本，能处理极端物理情况，原生支持1080P，在指令遵循、生成质量达一流水平，成本效率破纪录。此前还开源MiniMax - M1，两大底层技术创新让其成果惊艳，展现研发实力。
通用的dLLM开发框架，让BERT掌握扩散式对话
扩散式语言模型（DLM）因缺乏易用框架和训练成本高受限。伯克利与UIUC团队基于dLLM框架，让BERT学会对话，证明‘离散扩散 + 轻量级指令微调’可赋予BERT强生成能力，还开源全流程代码。
Nano Banana Pro最全解析，设计师和开发者都用得上，附官方提示指南
Nano Banana Pro基于Gemini 3 Pro构建，将逻辑推理能力注入像素生成，解决画面准确性、逻辑性问题。它在多方面实现飞跃，应用广泛，谷歌还给出提示词使用技巧，但在部分处理上仍有提升空间。
视觉思维链全新架构，加州大学让多模态大模型有了灵性，整体性能提升5.3%
加州大学伯克利分校等团队提出视觉思维链（CoVT）架构，让视觉语言模型推理时生成连续视觉信号。它内化轻量级专家能力，采用对齐策略和四阶段训练，实验显示性能提升，还具可解释性。
谷歌 Gemini API 负责人自曝：用竞品Claude Code 1小时复现自己团队一年成果，工程师圈炸了！
谷歌主管工程师 Jaana Dogan 称，用竞品 Claude Code 一小时就生成了接近自己团队一年成果的系统。她公开评价引发争议，也让大家思考‘一年工程 vs 一小时生成’背后被压缩的是什么。
全网实测Gemini Omni！一句话改视频，草图变大片
谷歌在Google I/O大会推出Gemini Omni，它结合推理与生成能力，在多方面有重大飞跃，能生成逼真视频等。它打破命名体系，训练目标不同，有涌现能力，谷歌还为其设置限制。
Sora2还在5秒打转，字节AI生视频已经4分钟“起飞”
字节和UCLA联合提出Self - Forcing++方法，无需更换模型架构或重收集数据集，就能生成分钟级长视频，最长达4分15秒，高质量且开源，在长、短时长生成上性能领先。
SkyReels-Audio让嘴型和音频完美匹配不再难
音频驱动的动态人脸生成研究较少，昆仑万维提出SkyReels - Audio框架，基于预训练视频扩散变换器构建，支持无限长度视频生成与编辑，采用混合课程学习等策略，保障视频视觉保真度和时间一致性。
Claude骂声中启动「隐形水印」：新模型全量嵌入，标记所有文字
Anthropic宣布新款Claude将在生成文本中嵌入隐形水印，还会给特定文件附加数字签名元数据，全球统一施行。此前A社就用Unicode贴暗标，虽称不影响生成质量，但遭质疑。