搜索：图像与视频合成

「图像与视频合成」共找到 1504 篇相关文章

世界模型有了开源基座Emu3.5！拿下多模态SOTA，性能超越Nano Banana

北京智源人工智能研究院的悟界·Emu3.5是最新最强的开源原生多模态世界模型，能处理图、文、视频任务，在多项权威基准上性能亮眼，还具备理解长时序等能力，背后有技术创新，且选择开源。

WaveSpeedAI成泽毅本在大厂做Infra，后创业。他先在社区验证技术价值，创业首日就定全球化策略。WaveSpeedAI团队小而灵活，用利他思维合作，在视频生成领域降成本，验证了推理基建有市场。

语音合成技术在大语种发展好，但小语种因语料稀缺等面临挑战。逻辑智能团队提出针对低资源语言TTS的解决方案，构建泰语数据集，经先进预处理，其TTS模型效果好，有零样本克隆能力。

腾讯混元发布并开源原生多模态生图模型混元图像3.0，参数规模80B，是参数量最大的开源生图模型，也是首个开源工业级原生多模态生图模型，效果对标业界头部闭源模型。文中介绍其技术方案、测评效果等。

文章介绍5种酷炫AI动态网页制作方法，无需专业UI能力。涵盖赛博飞驰、流光动效、星际探索、敦煌古风、都市现代风等风格，给出各案例制作流程、提示词，还提及借助Claude Code等工具合成网页。

Google将音乐生成器Lyria 3加入Gemini和YouTube，它接收文本或图像生成30秒音频，支持多语言歌词。在质量和遵循提示上优于前身，采取版权保护措施，对特定用户免费或提供高额度使用。

当前大视觉语言模型处理复杂推理任务时，常过分依赖语言知识，忽视图像关键信息。港大等团队提出ProReason框架，其蒸馏的ProReason - VL和ProReason - Q3模型性能提升显著，为LVLMs发展提供方向。

YouTube在Shorts相机里实现AI实时「重绘」人脸，效果自然。它通过知识蒸馏将大模型「瘦身」成小模型，用迭代蒸馏打磨细节，PTI保证身份特征，MediaPipe搭建推理管道，还将拓展视频生成功能。

9月1日，《人工智能生成合成内容标识办法》及配套国标正式执行。其旨在解决AI虚假内容充斥问题，规定AI内容需打显式和隐式标识，对专业环节友好、公开传播严厉，还对相关方提出不同要求。

Loopit被称为‘AI编程版的抖音’，用户说句话就能做互动内容，如解谜游戏等。它让编程像拍视频一样成消费品，有创作和社区，结合抖音轻量与游戏互动感，粘性更高。