پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

«ادغام روایت صوتی در صفحات وب»؛ راهکاری برای ارتقای تجربه کاربر

یک گردش‌کار فنی جدید امکان تبدیل خودکار پست‌های متنی وبلاگ به فایل‌های صوتی باکیفیت را فراهم می‌کند. این سیستم با ادغام مستقیم روایت‌های هوش مصنوعی در صفحات وب، سئو و دسترسی‌پذیری…

۶ دقیقه خواندن

OmniParseBench: مِلاک جدید برای سنجش دقت نویسه‌خوانی نوری با ۱۶ هزار آزمون

دیتا‌لب ابزار متن‌باز OmniParseBench را برای ارزیابی دقیق مدل‌های OCR در ۹۲ زبان معرفی کرد. در نتایج اولیه، مدل Gemini 3.8 Flash با بالاترین امتیاز، جایگاه نخست این جدول را به دست…

۵ دقیقه خواندن
آموزش کاربردی

Vidu Q4 با تولید بومی صدا، مشکل مصنوعی بودن لب‌خوانی در ویدیوهای AI را حل کرد

مدل Vidu Q4 با ادغام تولید صدا و حرکات صورت در یک مرحله، نیاز به افزونه‌های خارجی لب‌خوانی را از بین برد. این رویکرد باعث می‌شود تنفس، تکان‌های سر و ریز-تعبیرات چهره به‌طور طبیعی…

۳ دقیقه خواندن

درون سازوکار Kosmo برای شبیه‌سازی سریع محیط‌های سه‌بعدی واقعی

شرکت Hesai موتور داده‌های دنیای سه‌بعدی Kosmo را معرفی کرد که اسکن‌های واقعی را به دوقلوهای دیجیتال دقیق تبدیل می‌کند. این سامانه با ترکیب سخت‌افزار 8K و پلتفرم ابری، زمان و هزینه…

۵ دقیقه خواندن

آیا عامل‌های صوتی Square هزینه‌های عملیاتی رستوران‌ها را کاهش می‌دهند؟

شرکت Square کیوسک‌های سفارش‌گیر جدیدی را معرفی کرد که به جای لمس صفحه، از گفتگوهای صوتی طبیعی برای ثبت سفارش و تغییرات منو استفاده می‌کنند. این سخت‌افزار با قیمت ۱۹۹۹ دلار،…

۱ دقیقه خواندن