موضوع
Models that natively process text+image+audio+video
۱٬۳۵۷ مقاله منتشر شده
پلتفرم AI3DLogo با معرفی سیستمی از قراردادهای ورودی ساختاریافته، پرامپتنویسی سنتی را با بریفهای دقیق طراحی جایگزین کرده است. این رویکرد با تفکیک جریانهای کاری تبدیل متن به لوگو…
یک الگوی پیادهسازی جدید با جداسازی گفتارهای موقت از تاریخچه تأییدشده، از توهمات مدلهای زبانی در دستیارهای صوتی جلوگیری میکند. در این روش، تاریخچه گفتگو به جای یک گزارش خام، به…
یک راهنمای پیادهسازی جدید نشان میدهد چگونه میتوان با اتصال Wispr Flow به سرورهای MCP، فراتر از تبدیل ساده صوت به متن رفت. این سامانه جملات گفتاری را به وظایفی قابل اجرا برای…
یک راهنمای جامع، مجموعهای از ابزارهای هوش مصنوعی را برای مدیریت کامل اینستاگرام معرفی میکند که هزینه ماهانه آنها کمتر از ۱۵۰ دلار است. این استک با ترکیب ابزارهای طراحی، تولید…
ابزار جدید Scribe از شرکت ElevenLabs فراتر از تبدیل صوت به متن ساده رفته و دادههای ساختاریافته تولید میکند. این سرویس با پشتیبانی از ۳۲ گوینده و بیش از ۹۰ زبان، برای ضبطهای…
پروژه vLLM در نسخه ۰.۲۸.۰ با معرفی بهینهسازیهای عمیق برای مدلهای Kimi-K3 و DeepSeek V4، هزینههای حافظه را کاهش و سرعت پاسخدهی را افزایش داد. این بهروزرسانی با تکیه بر…
دولت ایالات متحده با هدف مهار تسلیحات خودمختار و جنگهای اطلاعاتی، شبکه A/I Collective را تحریم کرد. این نخستین بار است که یک مجموعه شرکت هوش مصنوعی بهجای یک دولت، بهعنوان تهدید…
هوش مصنوعی زاینده با کاهش ۹۰ درصدی هزینههای تولید، جایگزین بازیگران و استریمرهای انسانی در چین شده است. در سه ماهه نخست ۲۰۲۶، تقریباً تمام ۱۲۸ هزار اثر منتشرشده در این حوزه توسط…
پروژه LAION با انتشار مجموعه دادهٔ Big Video Dataset (BVD)، ۱۰ میلیون ساعت ویدیو و ۳۰۰ میلیون تصویر را در اختیار پژوهشگران قرار داد. این اقدام با هدف شکستن انحصار دادههای عظیم در…
درآمدهای سالانه بازار درامهای عمودی هوش مصنوعی در آمریکا به ۴.۲ میلیارد دلار رسیده است. با این حال، ثروت در دست ۲۰ درصد از استودیوهای برتر متمرکز شده و مدلهای درآمدزایی آسیایی…
پلتفرم Hugging Face و Voice Arena با معرفی مجموعههای ارزیابی Monsoon، نشان دادند که نرخ خطای کلمه (WER) بهتنهایی معیار دقیقی نیست. این بنچمارکها فاش میکنند مدلهایی که در…
گوگل مدل Gemini 3.5 Transcribe را برای تبدیل دقیق و لحظهای صوت به متن معرفی کرد. این مدل با حذف کلمات زائد و مدیریت اصطلاحات تخصصی، تأخیر و دقت را نسبت به نسل قبلی بهشدت بهبود…