多模态

1. 首页
2. 多模态

MMAudio

MMAudio是一款基于多模态联合训练的音频合成工具，通过深度学习技术实现视频到音频、文本到音频的精准转换。它具备强大的同步模块，确保生成的音频与视频帧或文本描述时间轴完全对应，适用于影视制作、游戏开发、虚拟现实等多种场景，极大提升了跨模态数据处理的能力和应用效率。

AI项目与工具 2025年06月12日 68 点赞 0 评论 559 浏览

LongVU

LongVU是一款由Meta AI团队研发的长视频理解工具，其核心在于时空自适应压缩机制，可有效减少视频标记数量并保留关键视觉细节。该工具通过跨模态查询与帧间依赖性分析，实现了对冗余帧的剔除及帧特征的选择性降低，并基于时间依赖性进一步压缩空间标记。LongVU支持高效处理长视频，适用于视频内容分析、搜索索引、生成描述等多种应用场景。

AI项目与工具 2025年06月12日 65 点赞 0 评论 562 浏览

CoGenAV

CoGenAV是一种先进的多模态学习模型，专注于音频和视觉信号的对齐与融合。通过对比特征对齐和生成文本预测的双重目标进行训练，利用同步音频、视频和文本数据，学习捕捉时间对应关系和语义信息。CoGenAV具备音频视觉语音识别、视觉语音识别、噪声环境下的语音处理、语音重建与增强、主动说话人检测等功能，适用于智能助手、视频内容分析、工业应用和医疗健康等多个场景。

AI项目与工具 2025年06月11日 80 点赞 0 评论 562 浏览

雅意大模型

雅意大模型是安全可靠的企业级专属大模型，具备5大核心能力，共100多个特色技能。

创作工具 1970年01月01日 0 点赞 0 评论 563 浏览

天翼AI开放平台

天翼AI开放平台是中国电信推出的AI技术服务平台，基于自研星辰大模型，提供问答、表格分析、文生图、多方言识别等功能，同时为企业提供大模型开发、AI中台等工具，覆盖政务、金融、工业等领域，支持多场景数字化创新。

AI项目与工具 2025年06月11日 71 点赞 0 评论 563 浏览

MSQA

MSQA是一个包含251,000个问答对的大规模多模态情境推理数据集，支持文本、图像和点云等多种数据形式，旨在提升具身AI在三维场景中的理解与推理能力。通过设计MSQA和MSNN两个基准测试任务，该工具不仅能够评估模型性能，还能促进具身AI和3D场景理解领域的研究进展。同时，它为开发更强大的情境推理模型提供了丰富的预训练资源。

AI项目与工具 2025年06月12日 80 点赞 0 评论 564 浏览

食神

食神是老板电器研发的烹饪领域AI大模型，基于46年烹饪数据与DeepSeek技术，可精准理解用户需求。支持语音、文字交互，提供个性化菜谱推荐、健康膳食规划，并能与智能厨电联动，实现烹饪全流程自动化。同时具备文化讲解与情感陪伴功能，提升用户体验。适用于家庭烹饪、健康管理及文化体验等多个场景。

AI项目与工具 2025年06月12日 48 点赞 0 评论 564 浏览

Vidu Q1

Vidu Q1是清华大学朱军教授团队研发的高可控视频生成模型，支持1080p高清视频生成，具备精准音效控制、多主体一致性调节、局部超分重建等功能。在多项国际评测中表现优异，包括VBench和SuperCLUE榜单均获第一。模型基于扩散模型与U-ViT架构，融合文本、图像和视频信息，适用于影视制作、广告宣传及动画创作等领域。

AI项目与工具 2025年06月12日 96 点赞 0 评论 565 浏览

VideoPoet

VideoPoet是一款基于大模型的AI视频生成工具，支持从文本、图像或视频输入中合成高质量的视频内容及匹配的音频。其核心优势在于多模态大模型设计，能够处理和转换不同类型的输入信号，无需特定数据集或扩散模型即可实现多种风格和动作的视频输出。主要功能包括文本到视频转换、图像到视频动画、视频风格化、视频编辑和扩展、视频到音频转换以及多模态学习等。技术原理涉及多模态输入处理、解码器架构、预训练与任务适应

AI项目与工具 2024年01月01日 98 点赞 0 评论 565 浏览

文心大模型X1 Turbo

文心大模型X1 Turbo是百度推出的深度思考型AI模型，具备强大的逻辑推理和多模态处理能力，适用于内容创作、智能问答、任务规划等多个领域。相比前代产品，性能提升显著，价格更具竞争力，支持复杂场景下的高效应用。

AI项目与工具 2025年06月11日 39 点赞 0 评论 567 浏览