Seeing-and-Hearing

创新框架实现多任务视听内容生成

视频音频生成多模态生成扩散模型 ImageBind 跨模态生成 Github 开源项目

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。

文档

video_features - 多模态视频特征提取框架支持多种深度学习模型

GitHub项目Github多模态分析开源项目深度学习模型视频特征提取计算机视觉

video_features是一个开源的视频特征提取框架，支持视觉、音频和光流等多种模态。该框架集成了S3D、R(2+1)d、I3D-Net等动作识别模型，VGGish声音识别模型，以及RAFT光流提取模型。它支持多GPU和多节点并行处理，可通过命令行或Colab快速使用。输出格式灵活，适用于视频分析相关的研究和应用。

Emu3-VisionTokenizer - Emu3多模态模型通过单一预测方法实现突破性能

Emu3GithubHuggingface人工智能图像生成多模态模型开源项目模型视频生成

Emu3是一套创新的多模态模型,采用单一的下一个令牌预测方法进行训练。该模型将图像、文本和视频统一处理,从头训练单个Transformer模型。在生成和理解任务中,Emu3的表现超越了SDXL、LLaVA-1.6和OpenSora-1.2等知名模型,无需复杂架构。Emu3能生成高质量图像、理解视觉语言,并通过简单预测生成连贯视频,展现了多模态AI的新可能。

SeeAct - 基于多模态GPT模型的网页任务自动化解决方案

GPT-4V(ision)GithubMind2WebSeeActweb代理多模态模型开源项目

SeeAct采用多模态GPT模型（如GPT-4V(ision)），提供网页任务自动化的解决方案，支持OpenAI和Google的多种语言模型，并与Playwright浏览器无缝集成。适用于网页代理测试与评估，支持多种配置和自定义任务，实现安全操作和实时监控。Multimodal-Mind2Web数据集提供丰富的网页截图和HTML文本，便于实验和评估。

Catch-A-Waveform - 单样本驱动的多样化AI音频生成技术突破

Catch-A-WaveformGithub开源项目深度学习神经网络音频处理音频生成

Catch-A-Waveform是一个开源的AI音频生成项目，通过单一短音频样本学习生成多样化音频。该项目支持无条件生成、带宽扩展、音频修复和降噪等功能，可用于音乐创作、语音处理和音频修复等领域。Catch-A-Waveform不仅能创造新的音频内容，还能提升现有音频质量，为音频处理技术开辟新的研究方向。

MGM - 多模态视觉语言模型的潜力挖掘与创新

AI绘图GithubMini-Gemini图像理解多模态视觉语言模型大语言模型开源项目

Mini-Gemini项目探索多模态视觉语言模型的新可能。该项目支持2B至34B规模的大语言模型,实现图像理解、推理和生成功能。基于LLaVA构建的Mini-Gemini提供完整资源,包括预训练权重、数据集和评估基准。通过双视觉编码器和patch信息挖掘等技术创新,Mini-Gemini实现了文本与图像的深度融合。

3D-VisTA - 简化3D视觉和文本对齐的新型预训练模型

3D-VisTAGithub多模态融合开源项目自然语言处理计算机视觉预训练模型

3D-VisTA是一种新型预训练变换器模型,专注于3D视觉和文本对齐。该模型采用简洁统一的架构,无需复杂的任务特定设计,可轻松适应多种下游任务。通过在大规模ScanScribe数据集上预训练,3D-VisTA在视觉定位、密集字幕生成等3D视觉语言理解任务中达到了领先水平。此外,该模型还表现出优异的数据效率,即使在标注数据有限的情况下也能保持强劲性能。

multimedia-gpt - 通过OpenAI简单集成视觉及音频的多媒体AI工具

ChatGPTGithubMultimedia GPTOpenAIOpenAI DALLEOpenAI Whisper开源项目

Multimedia GPT是一款利用OpenAI GPT和视觉音频相结合的多媒体工具。它支持图片、音频和PDF文件输入，并以文字和图像形式输出结果。这个项目不需要自己准备GPU，实现了语音识别和图像生成，基于微软的Visual ChatGPT架构，未来计划支持视频处理。它兼容多种OpenAI语言模型，包括ChatGPT和GPT-4，用户可以自定义模型并在不同设备上运行。

MetaTransformer - 统一12种模态的多模态学习框架

GithubMeta-Transformer人工智能多模态学习开源项目深度学习计算机视觉

Meta-Transformer是一个创新的多模态学习框架，可处理12种不同模态的数据，包括自然语言、图像、点云和音频等。该框架采用共享编码器架构和数据到序列转换方法，支持分类、检测和分割等多种任务。项目提供开源预训练模型和代码实现，为多模态AI研究提供了有力支持。

honeybee - 优化多模态大语言模型性能的局部性增强投影器

GithubHoneybee多模态大语言模型局部性增强投影器开源项目深度学习计算机视觉

Honeybee项目通过局部性增强投影器提升多模态大语言模型性能。该项目在MMB、MME、SEED-I等基准测试中表现优异，提供预训练和微调模型检查点。Honeybee支持多种数据集，包含详细的数据准备、训练和评估指南，为多模态AI研究和开发提供开源工具。

Multilingual_Text_to_Speech - 多语言文本到语音合成技术

GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成

Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术，支持复杂的多语言语音合成实验，提供完善的编码器共享机制，并包含丰富的语言数据及互动示范，旨在推动学术研究及应用开发。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com