音频生成
音频,audio
h2oGPT：你的GPT 私人智能文档助手与聊天伙伴， 100% 私密。
h2oGPT 是一个基于Apache V2协议的开源项目，旨在提供一个100%私密的文档和图像问答、摘要以及与本地GPT模型的聊天体验。以下是h2oGPT的核心功能：1. 私人文...
Amphion：最全能的开源AI音频项目，在音频商业化方面有极大的帮助
Amphion是一个面向音频、音乐和语音生成的工具包，旨在支持可复制研究，并帮助初级研究人员和工程师进入音频、音乐和语音生成领域。它提供了多种功能，包括TT...
谷歌掀桌子了，重大AI 更新ImageFX、MusicFX和TextFX 三箭齐发
在2月初，谷歌发布了全新的AI生成工具，包括ImageFX、MusicFX和TextFX。其中，ImageFX基于DeepMind的文生成图技术Image2，支持高分辨率图片和创意性强，最大...
大语言模型 vs 大模型
本文主要介绍了大模型的概念、分类以及与大语言模型的关系。大模型是基于神经网络的一种模型，由多个神经元组成，通过权重连接形成层次结构。神经网络通过学...
OpenAI 危险了？Gemini 和 GPT4 比较，谁强，只需两张图秒懂；Gemini 天生多模态，很可能是不一样的技术路线
Gemini 和 GPT-4 是两种人工智能模型，Gemini 天生多模态，而 GPT-4 是靠多功能的拼装。 Gemini 在多个测试中得分均高于 GPT-4，包括一般性测试、复杂任务集...
GPT-5已成功浏览并理解所有人类的视频内容！
文章总结得很好。以下是对文章中重要词语和语句的标记：第一部分介绍了GPT-5的发布计划和其训练阶段的进展。GPT-5被揣测为即将发布的新模型，已经完成了训练...
6 个月估值增长 10 倍到 11 亿美金，AI 语音克隆彻底火了
阿根廷总统 Milei 在达沃斯世界经济论坛上的演讲引起了全球关注，他使用了 AI 技术将演讲实时翻译成英文并用自己的克隆语音读出。这项技术主要来自 HeyGen 和...
多模态检索增强生成（Multimodal Retrieval Augmented Generation，MM-RAG）
第一部分介绍了多模态机器学习的重要性，以及MM-RAG技术的应用。对比学习用于多模态表示的方法被提出，强调了对比学习的关键要素和其在实现跨模态搜索和检索...
Amphion：用AI创造你的声音，让世界听见。
Amphion为研究人员提供了强大的研究工具，也为工程师们提供了一个实用的开发环境。它在音频、音乐和语音生成领域展现出了雄心，预示着未来的发展方向。通过不...
一分钟克隆声音，GPT-SoVITS 详细教程
首先，作者介绍了声音预处理的步骤，包括使用UVR5工具分离人声和选择不同的模型处理音频。然后，作者详细描述了语音切分的过程，以及进行语音识别和文本标注...
