谷歌为其 Gemini 音频模型 推出重大更新，并率先集成到 谷歌翻译应用 中，带来一项真正实用的实时语音到语音翻译能力。这项功能专为耳机场景设计，目标很简单：让你在现实世界中“听见”翻译后的声音。 ...

2025 年 12 月 5 日，面壁智能正式发布 VoxCPM1.5 模型权重。作为 VoxCPM 系列的重大升级版本，它在保留上下文感知语音生成与零样本声音克隆能力的基础上，通过两项关键技术改进，显...

在办公自动化、知识管理与智能体工作流中，将非结构化文档转化为结构化数据是关键第一步。然而，现实中的文档来源复杂：既有干净的 PDF、Word，也有手机拍摄的带畸变、阴影、模糊的纸质文件。现有解析模型往...

谷歌近日对Gemini Deep Research（深度研究智能体）完成重大升级，不仅将模型底座更换为更强大的Gemini 3 Pro，还首次开放交互API供开发者调用。此次升级重点解决了AI研究中的...

在主体到视频（Subject-to-Video, S2V）生成任务中，目标是根据用户提供的多张目标主体参考图像和文本提示，合成一段主体身份一致、动作自然、背景可控的视频。尽管近期 S2V 模型取得进展...

在基于扩散模型的视频生成系统中，视频变分自编码器（VAE） 扮演着关键角色：它将像素空间视频压缩到潜在空间，供扩散模型高效训练。然而，现有视频 VAE 的设计往往过度聚焦于重建保真度，却忽视了一个更根...

高质量角色动画长期以来依赖昂贵的动作捕捉设备、繁琐的手动绑定和大量人力修型。尽管近年视频生成模型取得进展，但在复杂动作、风格化角色、多角色交互等场景下，现有方法仍普遍存在结构失真、时间不连贯、身份泄漏...

随着多模态生成技术的发展，用户对虚拟角色的期待已从“能说话”升级为“能自然表达、实时互动、持续存在”。为此，智谱AI推出了 RealVideo —— 一个端到端实时流式视频对话系统，能够将文本对话实时...

在视频生成领域，动作控制是连接静态图像与动态叙事的关键环节。然而，现有方法普遍存在两个瓶颈：一是控制粒度粗糙（如仅用边界框控制整体移动），二是依赖额外模型（如光流估计器），导致推理复杂、误差累积、难以...

当前主流的图像编辑模型在处理静态属性（如颜色、纹理、物体替换）时已相当成熟，但在修改图像中主体的动作、姿势或交互行为时仍面临显著挑战。例如，让一个人从“站立”变为“坐下”，或让其“拿起桌上的杯子”，现...

多人对话视频的自动生成，长期以来受限于两个关键难题：一是高质量多人视频数据极难获取，二是多个角色之间的互动行为难以建模。为解决这些问题，来自香港科技大学、Video Rebirth、浙江大学和北京交通...

谷歌宣布，将为 Google Chat 用户推送一项虽小但实用的更新，以改善其体验并提高服务可靠性。该公司正在将 Google Chat 迁移至一个新域名，提供比以往更快的访问体验。 Google 表...