近日，Kiss3DGen技术引起了广泛关注，该技术通过重新利用2D扩散模型，实现了高效的3D对象生成。Kiss3DGen利用多视角图像和法线贴图，能够生成高质量的3D网格和纹理。这一创新不仅简化了3D生成流程，还显著提升了生成...

近日，GitHub上发布了一款名为FlowDec的高质量音频压缩工具。FlowDec是一款全频带音频编解码器，采用条件流匹配（conditional flow matching）和非对抗性训练（non-adversarial training）技术，能够实现48 kHz高保...

近日，GitHub上发布了一款名为Spark Text To Speech的语音克隆模型，该模型基于Qwen架构，能够通过文本输入生成高质量的语音。值得注意的是，该模型支持情感提示功能，用户可以通过输入情感指令来调整生成语音的情感...

近日，ToLo推出了一种创新的两阶段、无需训练的布局到图像生成框架，专门针对高重叠布局设计。该框架通过两个独立的阶段实现图像生成：第一阶段利用预训练的模型生成初步图像，第二阶段则通过优化算法对图像进行精细...

近日，一项名为DiffRhythm的技术引起了广泛关注。该技术利用Latent Diffusion模型实现了端到端的全长度歌曲生成，尽管其生成效果尚未达到顶尖闭源模型的水平，但其速度和简洁性令人印象深刻。DiffRhythm的核心优势在...

Stability AI与Arm近日宣布合作，成功将实时生成音频技术引入智能手机。通过结合Stable Audio Open和Arm KleidiAI库，双方在移动设备上实现了音频生成速度的30倍提升。这一突破性进展不仅展示了生成式AI在音频领域的...

ElevenLabs近日宣布推出其自主研发的转录模型Scribe，该模型支持99种语言，并具备高精度转录能力。Scribe不仅提供词级时间戳和说话人分离功能，还能适应真实世界中的各种音频环境。这一技术的推出将极大提升语音转文...

Google Cloud近日发布了由Nvidia GB200 NVL72系统驱动的A4X虚拟机实例，该实例配备了72个B200 GPU和36个Grace CPU，专为大规模AI和高并发应用设计。A4X实例的训练效率是前代A3实例的四倍，并且与Google Cloud服务无...