Multi-Speaker – AudioShake 推出的多说话人声分离模型
Multi-Speaker是什么 Multi-Speaker是AudioShake推出的全球首个高分辨率多说话人分离模型。支持将音频中的多个说话人精准分离到不同轨道，解决传统音频工具在处理重叠语音时的...
排序
MobA – 上海交通大学推出的移动智能体
MobA是什么 MobA（Mobile Agent）是上海交通大学团队推出的新型移动智能体，基于多模态大型语言模型（MLLMs）提升移动设备的自动化任务执行能力。MobA采用两级架构：高级全局智能体...
Infinity – 字节跳动推出的高分辨率图像生成模型
Infinity是什么 Infinity是字节跳动推出的基于位级自回归建模的视觉生成模型，能根据语言指令生成高分辨率、逼真的图像。Infinity通过无限词汇量的标记器、分类器和位自纠正机制，显著提升...
o1-pro – OpenAI 推出的升级版推理模型
o1-pro是什么 o1-pro是 OpenAI 正式推出的 o1 系列的升级版本，o1-pro 是目前 OpenAI 最强大的推理模型，核心优势在于显著提升的计算能力，能更好地应对复杂问题，提供更一...
Diffusion Self-Distillation – 斯坦福大学推出的零样本定制图像生成技术
Diffusion Self-Distillation是什么 Diffusion Self-Distillation（扩散自蒸馏，简称DSD）是斯坦福大学吴佳俊团队推出的零样本定制图像生成技术，用预训...
AGUVIS – 香港大学联合 Salesforce 推出统一纯视觉的GUI自动化框架
AGUVIS是什么 AGUVIS是香港大学、Salesforce 联合推出的统一的纯视觉框架，专为自主GUI智能体设计，能在各种平台（如网页、桌面、移动设备）上操作。AGUVIS基于图像观察和自然语言...
MinT – 生成顺序事件的文本转视频模型，灵活控制时间戳
MinT是什么 MinT（Mind the Time）是Snap Research、多伦多大学和向量研究所联合推出的多事件视频生成框架，基于精确的时间控制，根据文本提示生成包含多个事件的视频序列。Mi...
Baichuan-Omni-1.5 – 百川智能开源的全模态理解模型
Baichuan-Omni-1.5是什么 Baichuan-Omni-1.5是百川智能开源的全模态模型。支持文本、图像、音频和视频的全模态理解，具备文本和音频的双模态生成能力。模型在视觉、语音及多模态...
SongGen – 上海 AI Lab 和北航、港中文推出的歌曲生成模型
SongGen是什么 SongGen是上海AI Lab、北京航空航天大学和香港中文大学推出的单阶段自回归Transformer模型，用在从文本生成歌曲。SongGen基于歌词和描述性文本（如乐器、风格...
ART – 微软联合清华和北大等推出的多层透明图像生成技术
ART是什么 ART（Anonymous Region Transformer） 是新型的多层透明图像生成技术，能根据全局文本提示和匿名区域布局直接生成多个独立的透明图层（支持 RGBA 格式），图层...