你有没有想过，那些电视台、制作公司里堆积如山的视频素材，可能马上就要被彻底重新定义了？想象一下，从数千小时的视频内容中找到你需要的那一个镜头，不再需要安排一群人没日没夜地看片子、做标记，而是只需要简单描述一句"奥巴马谈论人权的片段"，系统就能立刻定位到精确的时间点，并提供详细的场景描述、人物信息和镜头分析。
我们很多语音生成工作，正是通过加入这些不完美的“人性化特征”，让合成声音显得更加真实和有情感，这也成为ElevenLabs的声音技术与众不同之处。当然，并不是所有场景都适合这种风格。但总体而言，“人性”中的不完美，恰恰是人愿意互动的关键。
迄今为止行业最大的开源力度。在大模型上向来低调的小红书，昨天开源了首个自研大模型。
6 月 6 日，小红书 hi lab（Humane Intelligence Lab，人文智能实验室）团队首次开源了文本大模型 dots.llm1，采用 MIT 许可证。
AI文本转语音已经进化到这种程度了吗？(⊙ˍ⊙)莎士比亚戏剧腔、体育赛事激情解说、沉浸式有声书等诸多玩法简直轻松拿捏，而且听起来确实人机傻傻分不清楚~
逻辑推理是人类智能的核心能力，也是多模态大语言模型 (MLLMs) 的关键能力。随着DeepSeek-R1等具备强大推理能力的LLM的出现，研究人员开始探索如何将推理能力引入多模态大模型(MLLMs)
两年半前，Liam Fedus 曾参与 ChatGPT 的研发团队，掀起了人工智能热潮。如今他加入了日益壮大的 OpenAI 前员工创业阵营，乘着 AI 投资风口创立自己的企业。
没想到谷歌竟然悄咪咪上线了这么多宝藏AI应用。 最近我在Google Labs里逛了一圈，最大的感受就是：说不定这里就藏着下一个爆款AI应用的前身
AI Agent又解锁了一个领域！清华大学牵头，与西北工业大学以及上海AI lab等机构推出了电镜领域的AI agent——AutoMat。
近期arxiv最热门论文，Qwen&清华LeapLab团队最新成果： 在强化学习训练大模型推理能力时，仅仅20%的高熵token就能撑起整个训练效果，甚至比用全部token训练还要好。
