موضوع
Models that natively process text+image+audio+video
۱٬۴۲۶ مقاله منتشر شده
سرویس TalkPix AI اکنون می‌تواند تنها با یک عکس پرتره و یک فایل صوتی، ویدیوهایی با همگام‌سازی دقیق لب‌ها تولید کند. این سیستم نیاز به داده‌های پیچیده ضبط حرکت را حذف کرده و حرکات…
دادگاه مونیخ حکم داد که ابزار تولید موسیقی Suno با «حفظ خاطره‌ای» (Memorization) از آهنگ‌های خاص در مرحله آموزش، حقوق کپی‌رایت را نقض کرده است. این دادگاه دفاع Suno مبنی بر…
بررسی داده‌های ابزار Magical Song نشان می‌دهد بزرگ‌ترین چالش موسیقی مولد، کیفیت صدا نیست، بلکه تبدیل داستان‌های پراکنده انسانی به ترانه‌های ساختارمند و احساسی است. یافته‌ها حاکی…
پلتفرم Oxlo.ai با جایگزینی سیستم پرداخت توکنی با هزینه ثابت به‌ازای هر درخواست، ریسک مالی پردازش داده‌های حجیم را از بین برد. این مدل جدید به‌ویژه برای پردازش تصاویر باکیفیت و…
شرکت xAI قابلیت تولید ویدیو با کیفیت 1080p و استفاده از ۷ تصویر مرجع را به API مدل Grok Imagine Video 1.5 اضافه کرد. با این حال، تناقضات در مستندات فنی و افزایش چشمگیر هزینه‌های…
پژوهش‌های Inithouse روی ۸۴۷ جلسه صوتی نشان می‌دهد تأخیر در ابزارهای صوتی ناشی از تبدیل صدا به متن نیست، بلکه پردازش مدل زبانی برای ساخت ساختار داده‌ها زمان‌بر است. در حالی که…
کمپانی NeuralSound با معرفی یک بنچمارک جدید، نشان داد که تکیه بر یک امتیاز کلی برای ارزیابی جداسازی صدا گمراه‌کننده است. این پژوهش بر ضرورت استفاده از سه معیار مجزا برای شناسایی…
پروژه‌ی WASTE با استفاده از استریم مستقیم وزن‌ها از حافظه‌ی NVMe، اجرای مدل‌های تریلیون‌پارامتری را روی سخت‌افزارهای مصرف‌کننده ممکن کرد. این موتور توانست مدل عظیم Kimi K3 را روی…
گوگل ابزار تولید تصویر Nano Banana را با گوگل ارث ادغام کرد که امکان ساخت تصاویر هوایی مصنوعی را فراهم می‌کند. این قابلیت که برای سرگرمی طراحی شده بود، هم‌اکنون برای تولید تصاویر…
استارتاپ Smallest.ai با جذب سرمایه برای توسعه مدل‌های صوتی کوچک و تخصصی، قصد دارد شکاف زمانی پاسخ‌دهی در چت‌بات‌ها را از بین ببرد. این سیستم با پردازش هم‌زمان شنیدن و صحبت کردن،…
یک معماری جدید در تضمین کیفیت عامل‌محور، برای جلوگیری از توقف‌های ناگهانی در خط تولید، تفکیک دقیقی میان «مشاهده‌گر AI» و «مرجع تصمیم‌گیر» ایجاد کرده است. در این مدل، هوش مصنوعی…
شرکت PolyAI مدل Dialog-RSN-1 را معرفی کرد که با پردازش مستقیم سیگنال‌های صوتی، نیاز به تبدیل متن به گفتار را حذف می‌کند. این معماری با کاهش تأخیر به زیر ۳۰۰ میلی‌ثانیه، تعاملات…