Any2Point是GitHub上公开的一种新型方法，它能够高效地将视觉、语言和音频模型的能力转换到3D领域，同时保留空间几何信息。这一技术突破意味着开发者和研究人员能够利用现成的2D模型，通过Any2Point转换技术，快速拓...

近期，科技巨头们在人工智能领域领跑的比赛中采取了一些颇具争议性的数据获取方式。OpenAI通过开发名为Whisper的语音识别工具，成功从YouTube视频中转录音频，为训练其AI系统提供了新文本。该团队最终转录了超过一百...

Stability AI近日宣布了其音乐生成模型的下一代产品——Stable Audio 2.0。该模型通过合法授权的音乐数据进行训练，能够生成长达3分钟的高质量音乐作品。Stable Audio 2.0还具备音频到音频的生成技术，这意味着用户可...

AniPortrait是一个创新框架，能够利用单一参考图像和音频输入生成栩栩如生的动画肖像。该技术通过将音频转化为三维表示形式，并将其映射到二维面部标志点上，创造出具有自然面部表情、多样化姿态和高视觉质量的动画...

DeepGram公司近日推出了一项名为Aura的创新产品，这是一款文本转语音（TTS）API，其最引人注目的特性是拥有低于250毫秒的响应延迟时间。这一技术突破意味着用户可以在实时应用中获得更快的语音反馈，极大提升了交互...

据报道，OpenAI计划在进行漏洞测试和设置安全防护措施后，于今年晚些时候公开发布其文本到视频模型Sora。Sora是一种能够将自然语言描述转化为视频的模型，这项技术在影视制作和游戏开发中有着广泛的应用前景。OpenAI...

Meta发布了MMCSG数据集，其中包含数千个通过Aria眼镜记录的双向对话，旨在鼓励在各种社交音频和视觉任务中的研究。

近日，Facebook发布了一款最先进的开源音频模型MaGNET，该模型速度是其他替代品的7倍，而且不会影响音频质量。MaGNET模型可以生成音乐和音效。MaGNET模型的论文已经发布，更多详情请访问GitHub仓库。

近日，研究人员开发出了一种名为PAM的工具，它使用音频语言模型对音频质量进行评估，无需参考曲目或专业培训。PAM通过深度学习算法，将音频数据转化为分布式表示形式，并将其与质量分数进行关联。据研究人员介绍，PA...

该项目提出了一种新颖的增强Transformer的方法，使用来自不同模态的无关数据，例如使用音频数据来改善图像模型。多模式路径独特地连接了两种不同模态的Transformer，使目标模态能够从另一种模态的优势中受益。