سرگرمی و خلاقیت

پروژه‌ی متن‌باز جدیدی با نام Souls Only، با جداسازی بایت‌های ذخیره‌شده از نویسه‌های بصری، متن‌ها را برای انسان قابل خواندن و برای ربات‌های جمع‌آوری داده (Scrapers) به صورت نویز…

ابزار جدید Vaani با حفظ طنین و آهنگ صدای گوینده، دوبلاژ را به بیش از ۴۰ زبان منتقل می‌کند. هدف این سامانه، حذف حس رباتیک در ویدیوها از طریق همگام‌سازی دقیق لب‌ها است.

پروژه متن‌باز 90210 با استفاده از یک خط لوله چندمدلی، تبدیل فیلمنامه به فیلم کوتاه را خودکار کرده است. این سیستم با بهره‌گیری از «اوراکل‌های کیفیت»، صحنه‌های ضعیف را شناسایی و…

یک چارچوب جدید با ترکیب پایش خودکار روندها و تأیید انسانی، مشکل ترجمه تحت‌اللفظی اصطلاحات در بومی‌سازی بازی‌ها را حل کرده است. متخصصان اکنون می‌توانند با استفاده از بانک‌های پویا،…

stikshot یک اپلیکیشن بدون سرور (serverless) است که ویدیوها را کاملاً در مرورگر کاربر به انیمیشن‌های خطی تبدیل می‌کند. این ابزار با بهره‌گیری از TensorFlow.js و APIهای بومی مرورگر،…

گوگل در نسخه‌ی پیش‌نمایش Gemini 3.1 Flash TTS، تگ‌های صوتی برای تغییر لحن و سرعت بیان را معرفی کرد. توسعه‌دهندگان اکنون می‌توانند با ترکیب این مدل و ابزارهایی مثل Firebase، صداهای…

پروژه Yumii یک دستیار هوشمند متن‌باز و محلی است که برخلاف مدل‌های رایج، تماماً روی CPU اجرا می‌شود. این ابزار با ترکیب آواتارهای Live2D و حافظه بلندمدت، نیاز به سخت‌افزارهای…

گزارش فنی جدیدی نشان می‌دهد که ترکیب چهار مدل زبانی کوچک از آزمایشگاه‌های مختلف، رفتارهای ارگانیک‌تر و استراتژی‌های اقتصادی پیچیده‌تری را نسبت به یک مدل واحد ایجاد می‌کند. این…

اپلیکیشن Halide Mark III با معرفی قابلیت Looks، رویکردی ضد-هوش مصنوعی را برای بازگشت به رنگ‌های طبیعی در عکاسی موبایل پیش گرفته است. این برنامه که با همکاری کالن کلی ساخته شده،…

یک راهنمای کاربردی برای بهینه‌سازی تولید ویدیو با Wan 3.0 نشان می‌دهد که جایگزینی برچسب‌های ساده با توصیفات دقیق صحنه و استفاده از قابلیت «تصویر به ویدیو»، کیفیت خروجی را به‌شدت…

مقایسه‌ی جامع ابزارهای ویدئویی در سال ۲۰۲۶ نشان می‌دهد که در حالی که Sora در پیچیدگی سینمایی پیشتاز است، Kling 3.5 اقتصادی‌ترین انتخاب برای محتوای برند و تجارت الکترونیک است.…