小互日报-2 月 20 日
type
status
summary
date
slug
tags
category
password
icon
1⃣️
🔊 PixelPlayer：MIT研究团队的创新
- 自动识别并分离视频中的声音源，匹配画面位置。
- 为音视频编辑提供强大工具：独立调整音量、去除或增强特定声音源。
- 核心功能：声音源分离、声音定位、多声音源处理。
🔗 http://sound-of-pixels.csail.mit.edu
🔗 https://arxiv.org/abs/1804.03160
🔗 https://x.com/xiaohuggg/status/1759916778229268874?s=20
2⃣️
👗 OOTDiffusion：高度可控的虚拟服装试穿工具
- 高质量服装图像生成与融合，支持半身和全身模型。
- 可控试穿参数，自然融合与逼真效果。
- 开源项目，支持在线测试。
🔗 https://github.com/levihsu/OOTDiffusion
🔗 https://ootd.ibot.cn
🔗 https://x.com/xiaohuggg/status/1759876272505942462?s=20
3⃣️
🔄 AnyGPT：跨模态大语言模型
- 从任意模态到任意多模态的理解与生成。
- 支持文本、图像、视频、音频等模态输入和输出。
- 采用离散表示法处理不同模态数据。
🔗 https://junzhan2000.github.io/AnyGPT.github.io/
🔗 https://arxiv.org/pdf/2309.05519.pdf
🔗 https://x.com/xiaohuggg/status/1759823372891090990?s=20
4⃣️
💬 利用Groq实现实时AI对话
- 结合Llama-70B模型与Whisper模型，实现几乎零延迟性能。
- 展望：GPT 4或GPT 5可能实现的秒级写作和AI实时通话。
🔗 https://x.com/xiaohuggg/status/1759780187074646164?s=20