موضوع
Models that natively process text+image+audio+video
۱٬۴۲۰ مقاله منتشر شده
شرکت Motional نخستین مجموعه داده باز با تمرکز بر استدلال در سناریوهای نادر (Long-tail) را منتشر کرد تا خودروهای خودران به‌جای تقلید از حرکت، منطق پشت هر تصمیم را بیاموزند.
شرکت Reducto مدل r-1 را معرفی کرد که با جایگزینی خط لوله‌های چندمرحله‌ای OCR، یک معماری تک‌مرحله‌ای را جایگزین کرده است. این مدل علاوه بر کاهش ۲۰ درصدی خطاها، هزینه پردازش هر صفحه…
یک گردش‌کار محلی جدید امکان تبدیل گفتار به متن، ترجمه و دوبلهٔ بلادرنگ ویدیوها را روی سخت‌افزار کاربر فراهم می‌کند. این سیستم با حذف سرورهای ابری، حریم خصوصی کامل را تضمین کرده و…
پلتفرم CherryShot با جایگزینی پرامپت‌های متنی با نقشه‌های ساختاریافته (JSON)، مشکل تغییر شکل محصولات در عکاسی هوش مصنوعی را حل کرد. این سیستم با تحلیل بصری محصول، جزئیات فنی صحنه…
نسخه آلفای Dubbing v2 از ElevenLabs امکان دوبله خودکار ویدیوها به بیش از ۹۰ زبان را فراهم می‌کند. این ابزار با حفظ لحن گوینده و صدای پس‌زمینه، هزینه‌ها و زمان بومی‌سازی را برای…
یک گردش‌کار جدید مبتنی بر مرورگر تأکید می‌کند که تبدیل صوت به متن باکیفیت، نیازمند بازبینی ساختاریافته و زمان‌گذاری است، نه اتوماسیون تک‌کلیکی. این متد بر حفظ متاداده‌ها برای…
پلتفرم Skillviewer با معرفی فایل‌های SKILL، دانش رویه‌ای را از مدل‌های زبانی جدا کرد تا عامل‌های مصاحبه‌گر بدون نیاز به پرامپت‌های طولانی و ایستا، تخصص‌های مختلف را به‌صورت پویا…
مدل جدید علی‌بابا با ادغام ادراک فضایی و برنامه‌ریزی مسیر، مشکل فراموشی فاجعه‌بار را حل کرده است. با این حال، پژوهش‌ها نشان می‌دهد استدلال‌های متنی مدل همواره با اقدامات عملی آن…
پلتفرم TalkPix AI با استفاده از رندرینگ عصبی، امکان تبدیل پرتره‌های ایستا به ویدیوهای همگام با لب (Lip-sync) را فراهم کرده است. این ابزار جایگزینی اقتصادی برای استودیوهای ضبط است…
استارتاپ Voicebox با استفاده از کدهای QR و تراشه‌های NFC، سیستم‌های نظرسنجی متنی را به بازخوردهای صوتی لحظه‌ای تبدیل کرده است. هدف این پلتفرم تبدیل ابزارهای شکایت سازمانی به یک…
رویکرد جدیدی در طراحی داخلی با هوش مصنوعی، بار مهندسی پرامپت را از دوش کاربر برداشته و سلیقه‌های مبهم انسانی را به محدودیت‌های طراحی ساختاریافته تبدیل می‌کند. هدف این سیستم تولید…
یک توسعه‌دهنده دریافت که استفاده از درصد زمان کلی کلیپ برای شناسایی خطاهای زیرنویس باعث حذف ویدیوهای سالم می‌شود. جایگزینی این معیار با «تعداد کلمات در ثانیه» به سیستم اجازه…