پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

پردازش سیگنال در برابر مدل‌های زبانی؛ مسیر جدید کاهش هزینه صوت

سنتز گفتار از پردازش سیگنال به سمت مدل‌سازی خودبازگشتی زبانی حرکت کرده و با صوت به عنوان توکن‌های گسسته برخورد می‌کند. این تغییر، شبیه‌سازی صفر-نمونه و لحن پویا را ممکن کرده، اما…

۴ دقیقه خواندن۱
آموزش کاربردی

مسیر تک‌فایلی تولید موزیک‌ویدیو برای هنرمندان مستقل با ابزارهای هوش مصنوعی

یک گردش کار جدید به موسیقی‌دانان اجازه می‌دهد تا تنها با یک فایل صوتی، یک ویدیوی عمودی جامع برای تیک‌تاک، اینستاگرام، یوتیوب و اسپوتیف بسازند. این سیستم با حذف نیاز به تیم‌های…

۵ دقیقه خواندن۱
آموزش کاربردی

تشخیص‌دهنده‌های تجاری در برابر مدل‌های انتشار؛ شکست در ۲۲٪ موارد

بنچمارک‌های جدید نشان می‌دهند تشخیص‌دهنده‌های تجاری در برابر مدل‌های انتشار شکست می‌خورند و ۲۲٪ از ویدیوهای جعلی از سد آن‌ها می‌گذرند. کارشناسان خواستار جایگزینی تشخیص‌های احتمالی…

۳ دقیقه خواندن۱
داستان‌ها و مصاحبه‌هاتأییدنشده · منبع منفرد

۵ روش بازسازی سه‌بعدی برای دیجیتالی کردن میراث فرهنگی

پژوهگران PreserveMy.World در حال ارزیابی پنج تکنیک بازسازی سه‌بعدی برای ثبت دیجیتال مکان‌های تاریخی هستند. هدف این پروژه، ایجاد تعادلی میان کیفیت بصری و محدودیت‌های جمع‌آوری داده…

۲ دقیقه خواندن۱

آیا مدل Wan-Streamer می‌تواند تعاملات ویدئویی را به زمان واقعی تبدیل کند؟

تیم تحقیقاتی علی‌بابا مدل Wan-Streamer را معرفی کرد؛ نخستین مدل یکپارچه‌ای که متن، صوت و ویدیو را به‌طور هم‌زمان پردازش می‌کند. این معماری با حذف زنجیره‌های پردازش متوالی، تأخیر…

۲ دقیقه خواندن