「视频OCR」共找到 1081 篇相关文章
这个浏览器插件，你一定得装！
推荐浏览器插件Obsidian Web Clipper，它能将网页内容按指定格式保存到Obsidian。保存的本地Markdown文档方便AI工具读取处理，插件有AI功能，更新后可默认提取完整YouTube视频字幕。
阿里刚刚开源了一款影视级配音项目，口型同步、音色转换都不是事！
阿里通义实验室语音团队联合中科大发布多模态电影配音模型Fun - CineForge，开源模型并构建中文电视剧配音数据集。它能处理多种场景，有视频理解等亮点，还给出制作数据集步骤。
1700个OpenClaw技巧，我用多邻国的方式学会的！
AI带来学习方式变革，OpenClaw技巧众多难记。智谱清言APP的学习搭子功能，可将GitHub项目生成多邻国式课程，还能处理论文、演讲等素材，通过多种技术实现知识读薄、读活、读透。
刚刚，百度最新开源神作：PaddleOCR-VL-1.5上线了
1月29日百度开源新一代文档解析模型PaddleOCR-VL-1.5，参数仅0.9B，在OmniDocBench V1.5评测中综合性能全球第一，精度达94.5%。它支持异形框定位，解决真实文档解析难题，在多场景表现出色。
LightX2V fp4 quant kernel代码笔记
这是关于 LightX2V 里 `lightx2v_kernel` 做 FP4 量化 GEMM 的读码笔记，解释接口和约束、kernel 关键路径等问题，还介绍 NVFP4 和 MX-Formats 量化原理、代码实现，以及 LightX2V 项目中的实际使用。
用完这张无限可能的AI画布，第一次感觉人类导演要失业了！
2024年7月上线后迅速风靡海外的SkyReels发布最新版本，它重构AI创作生态，打通「图片—音频—视频」全栈，集成多种功能于一张画布，还推出专家智能体，让普通人轻松创作高质量内容。
国产开源LLM大爆发，Qwen、Minimax、美团、腾讯~
近期国产开源LLM大爆发，Qwen3-VL家族新增模型，有技术亮点且可免费商用；MiniMax-M2为编码和代理任务打造；美团LongCat-Video、LongCat-Audio-Codec各有专长；腾讯混元世界 - 镜像用于3D几何预测。
苹果传统强项再发力，视觉领域三种模态终于统一
苹果在大模型领域常受挫，但计算机视觉研究是其强项。其研究团队提出 ATOKEN，这是首个能在主要视觉模态统一处理的分词器，兼顾重建质量与语义理解，成果朝通用视觉表征迈进一步。
波士顿动力 | 人形机器人Atlas ，最新研究进展！
世界人形机器人运动会引发对自主机器人的讨论。波士顿动力与丰田研究院合作为 Atlas 开发大型行为模型（LBM），使其能自主完成复杂任务，研究团队展示成果并介绍模型构建流程、实践成果及研发原则。
美国知名风投 BVP 年度 AI 报告：Memory 和 Context 将是新的护城河
美国知名风投 BVP 发布《The State of AI 2025》报告，研究 20 家 AI 创业公司，梳理 2025 年 AI 创业现状，认为记忆和上下文是新护城河，还对未来趋势如浏览器竞争、视频生成等进行了预测。