“O”:视频输出。2023年，我们看到了文字到视频合成的浪潮:WALT（谷歌）、EmuVideo(Meta)、Align Your Latents(英伟达)、Pika等等，数不胜数。然而，大多数生成的片段仍然很短。我将它们视为AI视频的“系统1”——“无意识”的局部像素运动。
大型多模态模型（LMMs）将不断涌现，并在争论中取代LLMs。
站长之家（ChinaZ.com）1月4日 消息:CoMoSVC是一种能够将一个人的歌声转换成另一个人的歌声的创新技术。这个项目是由香港大学和微软亚洲研究员共同开发的，它在高质量音频转换和快速处理速度之间找到了平衡，是语音转换领域的重大进步。
BakLLaVA是使用LLaVA1.5架构增强的Mistral7B基础模型，具备更好的性能和商用能力。BakLLaVA在多个基准测试中优于LLaVA213B，并且可以在某些数据上进行微调和推理。虽然BakLLaVA在训练过程中使用了LLaVA的语料库，不允许商用，但BakLLaVA2则采用了更大的数据集和更新的架构，超越了当前的LLaVA方法，具备商用能力。
这个项目的开源意味着更多的开发者和研究人员可以使用这项技术，为其添加新的功能或者进行改进。DreamTalk的开源将为语音合成技术的发展带来新的动力。