面向听觉智能与物理AI的
人机交互开发者社区

语音小管家

转载3 years ago

OpenAI Sora文生视频（图像看作单帧视频）一放出就炸翻整个AI 圈，也是ChatGPT掀起GenAI热潮时隔一年后，OpenAI再次史诗级的更新。OpenAI 随后公布的技术综述[文献1]，难掩其勃勃雄心：视频生成模型作为世界模拟器…

语音小管家

转载3 years ago

01.OpenAI Sora 视频生成模型技术报告总结 不管是在视频的保真度、长度、稳定性、一致性、分辨率、文字理解等方面，Sora都做到了SOTA（当前最优）。 技术细节写得比较泛（防止别人模仿）大概就是用视觉块编码（visual pat…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音5篇，eess.AS音频处理3篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

新智元

转载3 years ago

Sora突破之后的突破又来了！语音初创公司ElevenLabs放大招，直接用AI给Sora经典视频完成了配音。网友惊呼离AI完全生成电影又近了一步。虽然一些人不想承认，但AI视频模型Sora的开年王炸，确实给影视行业带来了颠覆性的影响！

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音9篇，eess.AS音频处理9篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

机器之心

转载3 years ago

今天，谷歌宣布推出 Gemini 1.5。 Gemini 1.5 建立在谷歌基础模型开发和基础设施的研究与工程创新的基础上，包括通过新的专家混合 (MoE) 架构使 Gemini 1.5 的训练和服务更加高效。 谷歌现在推出的是用于早期测试…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音8篇，eess.AS音频处理10篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

机器之心

转载3 years ago

伴随着生成式深度学习模型的飞速发展，自然语言处理（NLP）和计算机视觉（CV）已经经历了根本性的转变，从有监督训练的专门模型，转变为只需有限的明确指令就能完成各种任务的通用模型。 在语音处理和文本到语音（TTS）领域，这样的转变也正在发生，…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音4篇，eess.AS音频处理5篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

语音小管家

转载3 years ago

WhisperFusion 基于 WhisperLive 和 WhisperSpeech 的功能而构建，在实时语音到文本管道之上集成了大型语言模型 Mistral (LLM)。 LLM 和 Whisper 都经过优化，可作为 TensorR…