OpenAI TTS در سرعت و دقت شبیهسازی صدا مدلهای محلی را شکست داد
یک محک جدید از ۱۱ مدل شبیهسازی صدا نشان میدهد که سرویسهای ابری مانند OpenAI و ElevenLabs در سرعت و دقت پیشتازند. در مقابل، مدلهای محلی با وجود رایگان بودن، در مواجهه با علائم…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
یک محک جدید از ۱۱ مدل شبیهسازی صدا نشان میدهد که سرویسهای ابری مانند OpenAI و ElevenLabs در سرعت و دقت پیشتازند. در مقابل، مدلهای محلی با وجود رایگان بودن، در مواجهه با علائم…
شرکت Moonshot AI ابزار Kimi Code CLI را به عنوان یک عامل متنی بازمتن معرفی کرد که مستقیماً در شل فعال است. این ابزار با قابلیت تبدیل ویدیو به کد و پیکربندی محاورهای MCP،…
یک ابزار متنباز جدید با تبدیل ویدیوها به فریمهای آگاه از صحنه و متون زمانبندیشده، امکان مشاهده واقعی ویدیو را برای LLMها فراهم میکند. این متد مشکل اتکای مدلهای چندوجهی به…
پلتفرم RapidTV معیار موفقیت ویدیوها را از «نرخ نگهداشت ۳ ثانیه اول» به «تراکم نقاط اوج» تغییر داد. شرکت ZipX اکنون با استفاده از یک تیم ۳۵ نفره از عاملهای هوش مصنوعی، تولید…
انویدیا نسخه ۹.۱ ابزار DeepStream را منتشر کرد که از طریق مهارتهای عاملمحور، اجازه میدهد خطلولههای پیچیده بینایی ماشین با زبان طبیعی طراحی شوند. این بهروزرسانی مشکل قدیمی…
پروژه متنباز OpenMontage با تعریف یک خط لوله ساختارمند، دستیارهای کدنویسی AI را به کارگردان و تدوینگر ویدیو تبدیل میکند. این ابزار بهجای تکیه بر یک پرامپت واحد، فرآیند تولید را…
پلتفرم BrainrotKit با جایگزینی اتوماسیون تککلیکی با یک خط لوله (Pipeline) قابلمشاهده، هزینههای API را به شدت کاهش داده است. این سیستم با تفکیک مرحله برنامهریزی از تولید نهایی،…
متا مدلهای Muse Image و Muse Video را معرفی کرد که از رویکرد «عاملمحور» برای تأیید صحت دادهها در تصاویر استفاده میکنند. در حالی که Muse Image در بنچمارکها رتبه بالایی دارد،…
پروژه متنباز Timeline Studio با بهرهگیری از WebGPU، استنتاج مدلهای هوش مصنوعی را مستقیماً در مرورگر کاربر اجرا میکند. این ابزار نیاز به آپلود فایلها در سرورهای ابری را حذف…
گوگل کلود یک عامل حافظه «همیشه روشن» معرفی کرد که به جای پایگاهدادههای برداری، از یک فرآیند مستمر تجمیع اطلاعات توسط مدل Gemini 3.1 Flash-Lite استفاده میکند. این سامانه دادهها…
پژوهشهای جامعه AGI Arrival نشان میدهد مدل وزنباز Kimi K3 در کدنویسی پیچیده و ممیزان امنیتی از GPT-5.6 و Claude Fable 5 پیشی گرفته است. با این حال، سختافزار سنگین و فقدان…
مونگودیبی یک معماری مرجع برای ساخت عاملهای هوش مصنوعی منتشر کرد که برخلاف چتباتهای ساده، دارای حافظه عملیاتی و بلندمدت هستند. این سیستم با استفاده از Voyage AI و LangGraph،…