موضوع
Models that natively process text+image+audio+video
۱٬۳۵۶ مقاله منتشر شده
ابزارهای متنباز تبدیل متن به گفتار به نقطهای رسیدهاند که مدلهایی مثل GPT-SoVITS و ChatTTS میتوانند در شبیهسازی صدا و تولید محتوای محاورهای با سرویسهای تجاری برابری کنند.…
دقت همگامسازی لبها در Seedance معمولاً در صحنههای طولانی به دلیل نقص در خط لوله تولید، نه محدودیت مدل، کاهش مییابد. ZipX با خرد کردن صحنهها به ضربآهنگهای کوچک و تثبیت صدا…
فنیکس فلکسین پس از ماهها انکار، اعتراف کرد که آهنگ hit خود به نام Rubberz را با ابزارهای هوش مصنوعی ساخته است. این پذیرش پس از افشای فنی توسط یک تهیهکننده و شناسایی اثر توسط…
پلتفرم Oxlo.ai با تغییر مدل هزینه از تعداد توکن به مبلغ ثابت بهازای هر درخواست، مانع مالی برای پردازش متنهای طولانی در عاملهای صوتی را برداشت. این رویکرد باعث کاهش تأخیر و…
انویدیا یک خط لوله برای تولید بازیابیافزا (RAG) چندوجهی معرفی کرد که متن، جداول و نمودارهای PDF را از طریق سرویسهای NIM استخراج میکند. این سامانه با ترکیب مدلهای Nemotron و…
پلتفرم Roku با استارتاپ Fairground برای پخش ۲۴ ساعته ویدیوهای تولید شده توسط هوش مصنوعی وارد همکاری شد. این تجربه شکاف عمیق میان توانایی تولید انبوه محتوا و فقدان کیفیت بصری…
کریس دافی ترجمهای کامل از اثر کلاسیک اودیسه را با استفاده از مدل Claude (نسخه Fable 5) منتشر کرد. این پروژه ۱۲,۱۰۷ خط متن یونانی را بهصورت یکبهیک به انگلیسی نگاشته و با…
یک گردشکار جدید در هوش مصنوعی امکان تولید ویدیوهای خوانندگی واقعگرایانه را تنها با یک عکس و یک فایل صوتی فراهم میکند. این ابزار همگامسازی لبها و حرکات صورت را بدون نیاز به…
رتبهبندیهای عمومی مدلهای زبانی اغلب برای توسعهدهندگان گمراهکننده است، زیرا نمرات آکادمیک محدودیتهای دنیای واقعی را پوشش نمیدهند. رویکرد مسیریابی وظایف (Task-specific…
ساعت گلکسی واچ ۹ با پردازنده بهینه و حسگرهای دقیقتر معرفی شد، اما هدف اصلی آن تبدیل شدن به کنترلکنندهٔ حرکتی برای عینکهای هوشمند آینده سامسونگ است. با وجود بهبود باتری، این…
ساخت یک شخصیت دیجیتال باورپذیر نیازمند چیزی فراتر از تصاویر باکیفیت است و بر تداوم صدا، پوشش و رفتار استوار است. کمال فنی اغلب منجر به اثر «درهٔ ناآشنا» میشود و برای رسیدن به…
مدل جدید بایتدنس با حذف نیاز به تدوین و اتصال کلیپهای کوتاه، ویدیوهای ۳۰ ثانیهای پیوسته تولید میکند. این ابزار با درک چند-مرجعی و هماهنگی با صدا، فرآیند تولید محتوای UGC را…