Gorden Sun

统计数据

344

文章

0

粉丝

0

获赞

1727

阅读

4个月前

Veo 3好哇

4个月前

谷歌新发布的Gemini 2.5 Flash Exp Audio模型，是原生多模态模型，支持文本、图片、语音输入，支持文本、语音输出。输出的语音支持各种语气和声音，也能唱歌和RAP，虽然中文有时会有发音错误，但整体也非常不错了，ASMR的少女声音，让人感觉又恋爱了。下方视频第一段：少女ASMR 下方视频第二段：唱歌和RAP

#谷歌 #Gemini #多模态模型 #语音技术 #唱歌 #RAP #ASMR

4个月前

AI资讯日报，5月23日：

5个月前

还是多模态的模型好，GPT-4o可以同时兼顾绘画和语义。

#多模态模型 #GPT-4o #绘画 #语义能力

5个月前

Google AI Studio升级最大的亮点是新增了很多Starter Apps，包括GIF Maker（生成动图）、Co-Drawing（辅助绘画）、Video Toys（基于视频创建教育应用）等许多有趣的小应用。官方介绍：

#Google AI Studio #Starter Apps #GIF Maker #Co-Drawing #Video Toys #教育应用

7个月前

Mistral OCR：目前最佳OCR模型支持多种语言，评分全面超过Gemini 2.0 Flash，支持在Le Chat使用和API调用。调用API的话，别忘了之前ElevenLabs的大礼包，里面送25美元的Mistral API金额，免费领取地址：在线使用：官方介绍：

#Mistral OCR #OCR模型 #语言支持 #API使用 #elevenlabs #免费使用

7个月前

olmOCR：可能是目前最好的开源OCR模型基于微调后的7B视觉语言模型，微调数据为260000页PDF页面，完全开源，包括模型权重、数据和训练代码、推理代码，4090可以本地运行。 Github：模型：在线使用：

#开源 #OCR #视觉语言模型 #模型权重 #微调 #PDF #GitHub #4090

7个月前

阿里开源Wan 2.1很不错，效果接近可灵1.5，需要抽卡，手部有时出问题。在Fal上可以使用，支持图生视频、文生视频，每个视频耗费0.4美元，地址：在ElevenLabs的免费大礼包里，可以免费领取50美元的Fal额度，可以用体验Wan 2.1和Google Veo 2。领取地址：

#阿里Wan 2.1 #图生视频 #文生视频 #Fal #elevenlabs

8个月前

灰度到了微信的AI搜索，很好用

#微信 #AI搜索 #灰度测试

8个月前

微软发布OmniParser 2.0版本，用于把屏幕截图转化成LLM可处理的结构化格式，再结合屏幕操作工具即可让LLM操作屏幕。模型： Github：

#微软 #OmniParser 2.0 #屏幕截图 #LLM #结构化格式

8个月前

FireRedASR：小红书开源的语音识别模型支持识别普通话、方言、英文，分2个版本： FireRedASR-LLM：8.3B，为端到端的语音多模态LLM设计，能力更强，中文准确率开源最佳 FireRedASR-AED：1.1B，兼具效率和效果。 Github：模型：

#小红书 #语音识别 #开源模型 #方言识别 #英文识别 #多模态LLM #中文识别 #GitHub

8个月前

DeepSeek官网稳定的时候，体验是最好的，长下文长，能联网。但是用的人越来越多，几乎每次都是服务器繁忙了。几个免费的备用方案： 1、英伟达NIM： 2、Github Models（需要手动调整输出长度为4K）： 3、TogetherAI：

#DeepSeek #服务器繁忙 #备用方案

8个月前

悲报：Gemini开始拒绝中文聊天了无论是AI Studio还是API，使用中文跟Gemini对话，都会报错“An internal error has occurred”，使用英文对话则不受影响。显然是受DeepSeek的刺激，美国公司都开始草木皆兵了。谷歌在昨天专门发布了一篇文章，来说明其对抗滥用生成式AI的措施：简体中文的AI，以后就得靠我们自己了

#Gemini #中文对话 #AI对话限制 #DeepSeek影响 #生成式AI #谷歌

8个月前

Janus-Pro：DeepSeek开源原生图片多模态模型能读图（基于SigLIP-L），能生图（借鉴LlamaGen），分1.5B和7B两个大小。要知道GPT-4o的图片生成多模态模型至今没开放。模型： Github：

#DeepSeek #图片多模态模型 #GPT-4o #开源 #人工智能 #计算机视觉

8个月前

AI Video Starting Kit：AI时代的视频编辑器 fal开源的网页应用，整合了图片、视频、TTS、音乐的各种AI API，然后在网页里可以生成+编辑。功能目前还比较简陋。 Github：限时在线体验，可以免费使用可灵1.5和海螺视频模型、Flux Ultra图片模型：

#AI #视频编辑 #开源 #网页版应用 #GitHub #在线体验 #可灵1.5 #海螺视频模型 #Flux Ultra #TTS #音乐

9个月前

Moondream 2B：性价比极佳的视觉多模态模型 2B大小，性能接近QWen2-VL 2B，但是需要的VRAM只有4G多（QWen2-VL 2B需要13G），个人电脑即可运行。同时还发布了0.5B的版本。 Github：在线使用：

#视觉多模态模型 #VRAM #个人电脑 #Moondream 2B #QWen2-VL 2B

9个月前

VITA-1.5：开源版视频+语音模型效果类似ChatGPT APP的视频交互，能看能听能说，但不是原生多模态。视觉多模态LLM使用的是QWen2.5，语音延迟只有1.5秒，且支持打断。 Github：

#VITA-1.5 #开源 #视频模型 #语音模型 #ChatGPT #视频交互 #视觉多模态 #QWen2.5 #语音延迟 #GitHub

9个月前

Sonnet 3.5就像是程序员，你的要求提的越精细，得到的结果越准确。你要一个钉子，他给你一个钉子；你要一个红色的铜的图钉，他给你一个红色的铜图钉。 OpenAI o1像是产品经理，有时他会退一步思考你的要求背后的真实需求。你要一个钉子，他会思考你要钉子是为了做什么，如果是为了挂一幅画，他会同时推荐钉子以外的方案，例如粘钩、强力胶。用o1辅助思考，用Sonnet辅助执行。

#程序员 #产品经理 #OpenAI #Sonnet 3.5 #执行力 #思考 #需求分析

2年前

用AI创作了一个儿童有声故事绘本。故事：ChatGPT-4；绘图提示词：ChatGPT-4；绘图：Midjourney-v5；朗读：elevenLabs； BGM：AIVA；

#AI创作 #儿童有声故事绘本 #ChatGPT-4 #绘图 #Midjourney-v5 #elevenlabs #AIVA #故事创作 #有声书

...