موضوع
Models that natively process text+image+audio+video
۴۰۴ مقاله منتشر شده
اتوماسیون اسناد از قالبهای خشک «ادغام نام» به سیستمهای بومی هوش مصنوعی تغییر جهت میدهد. پلتفرمهای جدیدی مانند Autype به جای تولید مجدد فایلهای باینری، اجازه میدهند عاملها…
اپل در WWDC ۲۰۲۶ از معماری جدیدی برای هوش مصنوعی خود پرده برداشت که با همکاری گوگل Gemini توسعه یافته است. این بهروزرسانی Siri را به یک همراه فعال تبدیل کرده و با ادغام دادههای…
اپل در WWDC ۲۰۲۶ قابلیتی را معرفی کرد که با تحلیل عکس رسیدها، امکان ارسال درخواست پرداخت جداگانه از طریق Apple Cash را فراهم میکند. این ابزار با ادغام پرداخت در دوربین، نیاز به…
آمازون قابلیت تولید طرحهای سفارشی با هوش مصنوعی را به اپلیکیشن خرید خود اضافه کرد. اکنون کاربران آمریکایی میتوانند با یک پرامپت، کالایی را طراحی کرده و از طریق شبکه توزیع Prime…
ابزار جدید Vaani با حفظ طنین و آهنگ صدای گوینده، دوبلاژ را به بیش از ۴۰ زبان منتقل میکند. هدف این سامانه، حذف حس رباتیک در ویدیوها از طریق همگامسازی دقیق لبها است.
پلتفرم Vivix ابزارهای تولید ویدیو، تصویر و صدا را در یک استودیوی واحد ادغام کرد. هدف این سرویس حذف نیاز به اشتراکهای متعدد و کاهش خستگی ناشی از جابجایی میان ابزارهای پراکنده است.
پروژه متنباز 90210 با استفاده از یک خط لوله چندمدلی، تبدیل فیلمنامه به فیلم کوتاه را خودکار کرده است. این سیستم با بهرهگیری از «اوراکلهای کیفیت»، صحنههای ضعیف را شناسایی و…
ابزار Get It با تغییر رویکرد از خلاصهسازی به استخراج هدفمند، دادههای دقیق را از URLها و تصاویر بیرون میکشد. این ابزار به کاربران اجازه میدهد دقیقاً فرمت خروجی مورد نیاز خود را…
سختترین بخش ثبت غذا با هوش مصنوعی، شناسایی وعده نیست، بلکه تجربه کاربر هنگام اصلاح حدسهای غلط است. اپلیکیشن MetricSync با اولویت دادن به «سریعترین مسیر اصلاح»، ثبت وعدههای…
stikshot یک اپلیکیشن بدون سرور (serverless) است که ویدیوها را کاملاً در مرورگر کاربر به انیمیشنهای خطی تبدیل میکند. این ابزار با بهرهگیری از TensorFlow.js و APIهای بومی مرورگر،…
گوگل در نسخهی پیشنمایش Gemini 3.1 Flash TTS، تگهای صوتی برای تغییر لحن و سرعت بیان را معرفی کرد. توسعهدهندگان اکنون میتوانند با ترکیب این مدل و ابزارهایی مثل Firebase، صداهای…
یک گردشکار جدید برای تولیدکنندگان محتوا، تبدیل فایل صوتی به «منبع حقیقت» برای تمامی شبکههای اجتماعی را ممکن کرده است. با جداسازی متن از ویدیو، مدیریت تولید بلاگ، کپشن و زیرنویس…