بهروزرسانی ۱.۱۴ مدل Jev چه تغییراتی در پردازش تصویر ایجاد کرد؟
شرکت TypeSafe AI نسخه ۱.۱۴ مدل Jev را با پشتیبانی آزمایشی از ورودیهای تصویری و تشخیص باکسهای محیطی (Bounding Boxes) منتشر کرد. این بهروزرسانی همچنین یک حالت اختیاری برای گسترش…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
شرکت TypeSafe AI نسخه ۱.۱۴ مدل Jev را با پشتیبانی آزمایشی از ورودیهای تصویری و تشخیص باکسهای محیطی (Bounding Boxes) منتشر کرد. این بهروزرسانی همچنین یک حالت اختیاری برای گسترش…
یک عامل هوشمند به نام Lily سیستمی را طراحی کرده است که فایلهای صوتی را به جای MIDI، مستقیماً به نتهای موسیقی استاندارد و قابل چاپ تبدیل میکند. این پروژه شکاف میان تشخیص خام…
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…
یک راهنمای فنی جدید روش ساخت خط لولهای برای اتوماسیون کامل گویندگی ویدیوها را معرفی میکند. این سامانه با استخراج زیرنویسهای یوتیوب و جایگزینی آنها با صدای باکیفیت هوش مصنوعی،…
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…
شرکت Fish Audio مدل Drama 3 را منتشر کرد؛ یک مدل تبدیل متن به گفتار با معماری MoE که اجازه میدهد با دستورات متنی ساده، احساسات و لحن اجرا را کنترل کنید. این مدل با پشتیبانی از ۸۳…
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…
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…
پروژه متنباز Bird Buddy AI با استفاده از مدلهای بینایی-زبانی کوچک، امکان شناسایی خصوصی و محلی پرندگان را فراهم میکند. این ابزار برای حذف وابستگی به APIهای ابری گرانقیمت و نیاز…
مدل Kling 4.0 با معرفی سیستم کیفریم و Omni Reference، کنترل دقیق روی صحنهها را جایگزین پرامپتهای تصادفی کرد. این بهروزرسانی طول کلیپها را به ۳۰ ثانیه افزایش داده و مشکل ثبات…
شرکت xAI مدل Grok Voice 3.0 را معرفی کرد که در معیارهای تأخیر و استدلال صوتی، رقبایی چون GPT-Live-1 و Gemini 3.8 را شکست میدهد. این مدل هماکنون در اکوسیستم تسلا و اسپیساکس برای…
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،…