创新框架实现多任务视听内容生成
Seeing-and-Hearing项目提出了一种优化框架,用于跨模态和联合视听内容生成。该方法使用预训练的ImageBind模型连接独立的视频和音频生成模型,实现双向条件生成和联合视听生成。这一技术适用于视频到音频、音频到视频、图像到音频等多种任务,为内容创作提供了新的可能。
本仓库包含了"视听一体化:基于扩散潜在对齐器的开放域视听生成(CVPR 2024)"的官方代码。
框架概览。 我们的方法versatile,可以解决四个任务:联合视频音频生成(Joint-VA)、视频到音频(V2A)、音频到视频(A2V)和图像到音频(I2A)。通过利用多模态绑定器(如预训练的ImageBind),我们在设计用于生成单一模态的独立生成模型之间建立了连接。这使我们能够实现双向条件生成和联合视频/音频生成。
视频和音频内容创作是电影行业和专业用户的核心技术。近期,现有的基于扩散的方法分别处理视频和音频生成,这阻碍了该技术从学术界向产业界的转化。在本研究中,我们旨在填补这一空白,通过精心设计的基于优化的框架实现跨视听和联合视听生成。我们观察到现成的视频或音频生成模型具有强大的生成能力。因此,我们不是从头开始训练庞大的模型,而是提出通过共享的潜在表示空间来连接现有的强大模型。
具体而言,我们提出了一个基于预训练ImageBind模型的多模态潜在对齐器。我们的潜在对齐器与在推理时指导扩散去噪过程的分类器引导有相似的核心。通过精心设计的优化策略和损失函数,我们展示了我们的方法在联合视频音频生成、视觉引导的音频生成和音频引导的视觉生成任务上的卓越性能。项目网站可在https://yzxing87.github.io/Seeing-and-Hearing/找到。
视听一体化:基于扩散潜在对齐器的开放域视听生成 <br> 邢亚洲<sup>* 1</sup>,何颖晴<sup>* 1</sup>,田泽越<sup>* 1</sup>,王鑫涛<sup>2</sup>,陈启峰<sup>1</sup> (*表示贡献相同)<br> <sup>1</sup>香港科技大学, <sup>2</sup>腾讯PCG ARC实验室 <br>
请按以下说明操作:
git clone https://github.com/yzxing87/Seeing-and-Hearing.git
cd Seeing-and-Hearing/v2a
conda create -n seeing python=3.10
conda activate seeing
pip install -r pip_env3.txt
pip install git+https://github.com/yzxing87/transformers
pip install "git+https://github.com/facebookresearch/pytorchvideo.git"
pip install transformers_stream_generator
下载必要的检查点
(1) 从huggingface仓库下载audioldm检查点。将检查点放到ckpt/
。
mkdir ckpt; cd ckpt
git clone https://huggingface.co/cvssp/audioldm-m-full
cd ..
(2) 从官方仓库下载imagebind检查点imagebind_huge.pth
。将检查点放到imagebind/.checkpoints/
。
mkdir imagebind/.checkpoints; cd imagebind/.checkpoints
wget https://dl.fbaipublicfiles.com/imagebind/imagebind_huge.pth
cd ../..
(3) 从huggingface仓库下载qwen检查点。将检查点放到qwen_ckpt/
。
mkdir qwen_ckpt; cd qwen_ckpt
git clone https://huggingface.co/Qwen/Qwen-VL-Chat
cd ..
按照pipeline.sh
操作
@inproceedings{xing24seeing,
title = {Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion Latent Aligners},
author = {Xing, Yazhou and He, Yingqing and Tian, Zeyue and Wang, Xintao and Chen, Qifeng},
booktitle = {CVPR},
year = {2024}
}
请遵循CC-BY-NC。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网 络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号