موضوع
Models that natively process text+image+audio+video
۱٬۴۲۰ مقاله منتشر شده
یک توسعه‌دهنده مستقل با استفاده از سیستم «شاخه‌بندی ناهمگام»، هزینه تولید ویدیوهای تعاملی را به شدت کاهش داد. پلتفرم PlayCYOA به جای تولید لحظه‌ای، از ویدیوهای پیش‌رندر شده برای…
وزارت امنیت داخلی آمریکا با تخصیص ۴۴۰ میلیون دلار برای سخت‌افزارهای بیومتریک، تأیید کرد که نقص‌های داده در سطح سنسور با نرم‌افزار قابل جبران نیستند. این چرخش راهبردی نشان می‌دهد…
پلتفرم Afrigen ابزارهای تولید ویدیو را در اختیار سازندگان نیجریه‌ای قرار داده تا بیش از ۵۰۰ زبان محلی را مستند کنند. این سامانه با خودکارسازی صداگذاری و بصری‌سازی فرهنگی، سرعت…
اوپن‌ای‌آی مدل GPT-Live-1 را از طریق API منتشر کرد؛ مدلی با قابلیت ارتباط دوطرفه که شنیدن و صحبت کردن را به‌طور هم‌زمان انجام می‌دهد تا وقفه در مکالمات صوتی حذف شود. این مدل با…
با وجود توانایی بالا در تولید متن، ChatGPT همچنان در ویرایش دقیق پیکسل‌ها برای تبلیغات فروشگاهی ناتوان است. بازاریابان برای حذف پس‌زمینه و حفظ هویت بصری برند، همچنان به ابزارهای…
ساعت اپل ۱۲ با معرفی قابلیت Audio Intelligence می‌تواند گفتگوهای محیطی را تحلیل کرده و خلاصه‌ای از نکات کلیدی را تولید کند. این سیستم برای حفظ حریم خصوصی، پردازش را به‌صورت محلی…
پلتفرم Peech با ترکیب پردازش زبان طبیعی و بینایی ماشین، روایت‌های کلیدی را از ویدیوهای طولانی استخراج و خلاصه می‌کند. این ابزار برای مدیران محصول و توسعه‌دهندگانی که به دنبال…
گوگل با عرضه اپلیکیشن دسکتاپ Gemini برای ویندوز، دسترسی به هوش مصنوعی را از طریق میان‌برهای سیستمی و ادغام با Workspace تسهیل کرد. این ابزار با تمرکز بر جریان‌های کاری عامل‌محور،…
یک توسعه‌دهنده با تمرکز بر بهینه‌سازی زیرساخت به‌جای تغییر مدل، تأخیر پاسخ‌دهی عامل صوتی را بیش از ۸۰٪ کاهش داد. این موفقیت از طریق استریم کردن متن به گفتار از اولین جمله و…
تلاش برای بازسازی یک محصول خاص با استفاده از متن، محدودیت‌های مدل‌های مولد در درک جزئیات فیزیکی را آشکار کرد. جایگزینی متن با ابزارهای تبدیل تصویر به تصویر، امکان حفظ دقیق هندسه…
مدل YuE2 با استفاده از برنامه‌ریزی نمادین به‌جای پردازش سیگنال خام، توانست در بنچمارک SongBench از Suno v5 پیشی بگیرد. این معماری امکان ویرایش دقیق نت‌ها و همکاری عامل‌محور بین…
شرکت Shadow با جایگزینی هماهنگ‌کننده مرکزی با یک خط لوله رویدادمحور، تأخیر تولید محتوای چندوجهی را از ۴.۲ ثانیه به ۲.۶ ثانیه رساند. این معماری جدید با استفاده از سیستم SSE و…