پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

SCM: جست‌وجوی معنایی محلی برای تک‌تک فریم‌های ویدیو در macOS

ابزار SCM با اجرای مدل‌های بینایی و نویسه‌خوانی نوری به‌صورت محلی، امکان جست‌وجوی معنایی در عکس‌ها و فریم‌های ویدیو را بدون نیاز به ابر فراهم می‌کند. این سیستم با ترکیب مدل‌های…

۹ دقیقه خواندن
آموزش کاربردی

بودجهٔ تأخیر ۲۰۰ میلی‌ثانیه‌ای؛ نقشهٔ راه بهینه‌سازی استنتاج صوتی

برای دستیابی به مکالماتی شبیه به انسان، مجموع تأخیر رفت‌وبرگشت باید زیر ۲۰۰ میلی‌ثانیه باشد. این راهنما استراتژی‌های بهینه‌سازی لایه‌های صوتی، شبکه و استنتاج را برای حذف وقفه در…

۴ دقیقه خواندن۱

پروتوتایپ TORos تصمیمات هوش مصنوعی را از طریق مدل‌های متخاصم تأیید می‌کند

شرکت Yukon Systems موتور تصمیم‌گیرنده‌ای به نام TORos ساخته است که به‌جای پذیرش اولین پاسخ، مدل‌های مختلف را به بحث و تقابل وادار می‌کند. این سیستم با شبیه‌سازی یک دادگاه، اجماع…

۲ دقیقه خواندن۱
آموزش کاربردی

VANIV Studio گردش‌کار محلی را جایگزین ابزارهای ابری ترجمه ویدیو کرد

استودیو VANIV با انتقال فرآیند ترجمه و دوبله ویدیو از ابزارهای تک‌منظوره ابری به یک گردش‌کار محلی، کنترل کامل روی حریم خصوصی و ثبات صدا را فراهم کرده است. این رویکرد، ترجمه را از…

۶ دقیقه خواندن۲

Audible کتاب‌های صوتی را با قابلیت گفتگو با شخصیت‌ها تعاملی کرد

پلتفرم Audible با معرفی قابلیت‌های جدید مبتنی بر هوش مصنوعی، شنوندگان را از مصرف‌کنندگان غیرفعال به شرکت‌کنندگان در داستان تبدیل می‌کند. کاربران اکنون می‌توانند با شخصیت‌های کتاب…

۴ دقیقه خواندن