پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

تست کور ۴۷ هزارتایی: مدل Music v2.5 ایلون‌لبز در طبیعی‌بودن موسیقی پیشتاز شد

شرکت Elevenlabs مدل Music v2.5 را برای تولید موسیقی طبیعی‌تر در سبک‌های راک و R&B عرضه کرد. این به‌روزرسانی با اعمال حفاظ‌های سخت‌گیرانه علیه شبیه‌سازی هنرمندان، تلاش می‌کند از…

۱ دقیقه خواندن

محدودیت‌های انسانی؛ شرط لازم برای تبدیل داده‌های صوتی به موسیقی

موسیقی در حال تبدیل شدن به یک فرآیند برنامه‌ریزی‌پذیر است، اما اعتبار فنی به معنای کیفیت هنری نیست. در این گذار، نقش خالق اثر از اجرای دستی به تعیین چارچوب‌ها و قضاوت‌های سطح بالا…

۶ دقیقه خواندن۱

چرخه داده‌های هیوندای؛ استراتژی تسریع رانندگی خودکار تا سال ۲۰۲۹

گروه موتور هیوندای با معرفی سامانه «چرخه داده» (Data Flywheel)، فرآیند آموزش هوش مصنوعی خودروهای خود را از مدل خطی به حلقوی تغییر داد. این استراتژی با تکیه بر همکاری با انویدیا و…

۶ دقیقه خواندن۲

اپل با تکنیک هرس دستوری مصرف حافظه AI را در دستگاه‌های کاربر کاهش داد

اپل نسل سوم مدل‌های بنیادی خود را معرفی کرد که با معماری پراکنده، اجرای مدل‌های ۲۰ میلیارد پارامتری را روی سخت‌افزار مصرف‌کننده ممکن می‌کند. این سامانه بار محاسباتی را بین…

۱۲ دقیقه خواندن
آموزش کاربردی

کاهش هزینه تولید ویدیوهای هوش مصنوعی از هزاران دلار به ۳ دلار در PlayCYOA

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…

۲ دقیقه خواندن
آموزش کاربردی

آیا سخت‌افزارهای پیشرفته می‌توانند ضعف مدل‌های شناسایی چهره را بپوشانند؟

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…

۳ دقیقه خواندن۲
آموزش کاربردی

Afrigen با ویدیوهای هوش مصنوعی ۵۰۰ زبان در معرض خطر نیجریه را نجات 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…

۲ دقیقه خواندن۱
آموزش کاربردی

Peech ویدیوهای طولانی را با تحلیل الگوهای بصری به محتوای کوتاه تبدیل می‌کند

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…

۳ دقیقه خواندن

گوگل Gemini را به عنوان یک لایه کاربردی برای ویندوز ۱۰ و ۱۱ عرضه کرد

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،…

۲ دقیقه خواندن۲