文章列表-AI魔法学院

文章列表

AI+音乐｜对话 Suno CEO：破圈的音乐生成产品是如何诞生的？

尽管这个项目专注于财经领域，但他们认识到音频AI在更广泛的音乐创作领域内的潜力。

suno 音乐

OCR终结了？旷视提出可以文档级OCR的多模态大模型框架Vary，支持中英文，已开源！

以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤—— 这一次，只需一句话命令，多模态大模型 Vary 直接端到端输出结果：无论是中英文的大段文字

OCR 手写文字识别

OCR的终极解法——传统算法VS多模态大模型

命名实体识别命名实体识别（Named Entity Recognition, NER）是自然语言处理（Natural Language Processing, NLP）的一个分支，它的任务是识别文本中具有特定意义的实体

OCR 大模型文字识别

使用大模型自动回复小红书/抖音/快手评论：通过RAG 优化LLMs实现

大型语言模型（LLMs）已经展示出了令人印象深刻的能力，可以存储和部署大量知识以响应用户查询。

RAG 大模型自动回复

17K star！30秒偷走你的声音，开源声音克隆工具

然后，它可以生成听起来自然的语音，以多种语言模仿该语音，同时为用户提供对情感、口音、节奏和语调等参数的精细控制。

OpenVoice 声音克隆开源

数字人：从科幻走向现实的技术革命

创建数字人需要多方面的技术支持，包括计算机图形学、动作捕捉、语音合成以及人工智能算法等。

数字人语音

使用知识图谱提高RAG的能力，减少大模型幻觉

在使用大型语言模型(llm)时，幻觉是一个常见的问题。

RAG 大语言模型

AI 绘画新时代：ChatGPT + DALL-E 3

用户以自由表达的语言解释生成图像的问题，为模型的优化提供精细注释。

文生图图生图 chatGPT DALL-E

神奇的 OuteTTS - 0.1 - 350M：用几秒钟音频克隆声音的黑科技！

在当今数字化时代，文本转语音（TTS）技术的应用愈发广泛，从智能语音助手到有声读物，从无障碍服务到教育娱乐领域，都离不开高质量的语音合成。

OuteTTS-0.1-350M 音频

MaskGCT：登上GitHub趋势榜榜首的TTS开源大模型

通过对10万小时的自然语音进行实验，结果表明MaskGCT在质量、相似度和可理解性等方面是业内领先的零样本TTS系统。

MaskGCT 声音克隆

AI虚拟主播数字人技术实现Wav2Lip

本文主要实现图片说话（如下图的蒙娜丽莎）、视频融合语音（这里的核心都是人物口型与音频中的语音唇形同步）。

数字人视频

Agent具体实现

如果需要自己实现工具，则需要继承 BaseTool 类，并实现 run 方法。

Agent 大模型

Stable Diffusion

Stable Diffusion基础：ControlNet之身份标识

本文给大家分享一个新的ControlNet类型：Instant ID，翻译为身份标识，核心能力是由国内的小红书团队开发的。

ControlNet 文生图

Python入门与语法速查

特别是人工智能的火热，再加之它的语法简洁且优美，实乃初学者入门AI必备的编程语言。

python 编程

一文彻底搞懂多模态 - 多模态推理

这两种模态的信息可以是图片和文本、视频和语音等。

多模态推理大模型

<...3 4 5 678 9 10 11 12 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2024 AI魔法学院

京ICP备20027199号-1