← Archyvas

2026 m. spalio 21 d. · 13 naujienų

Matt Wolfe apžvelgia mažiau pastebėtus DI leidimus: Drama 3, OmniHuman 2.0, pasaulio modeliai

Apžvalgoje pristatomi ne didžiųjų laboratorijų, o mažesnių komandų ir tyrimų rezultatai: Fish Audio Drama 3 text-to-speech modelis, kuriame vaidybos nurodymai rašomi laužtiniuose skliaustuose paprasta anglų kalba, ir ByteDance OmniHuman 2.0, iš vienos nuotraukos bei garso takelio generuojantis iki penkių minučių vientisą kalbančio ar dainuojančio veikėjo vaizdo įrašą. Pateikiami ir praktiniai duomenys: Drama 3 yra 36 mlrd. parametrų atviro svorio modelis, pirmaujantis tarimo vertinime, bet nusileidžiantis aklųjų palyginimų arenoje, o OmniHuman kaina sumažėjo nuo 12 iki 7 centų už sekundę. Toliau apžvelgiami pasaulio modeliai, žaidimų varikliai ir 3D rekonstrukcijos įrankiai.

Video eiga 10 skyrių
  • Mažiau pastebėti DI atradimai — kodėl verta žiūrėti ne tik į OpenAI, Anthropic ar Google, bet ir į smulkesnius tyrimus bei įrankius
  • Fish Audio Drama 3: DI balso vaidyba — text-to-speech modelis, kuriame emocijos ir garso efektai nurodomi tekstu, su keliais kalbėtojais, atviru svoriu ir API kainodara
  • OmniHuman 2.0: kalbančios nuotraukos — ByteDance modelis iš vienos nuotraukos ir garso sukuria iki 5 min. 720p vaizdo įrašą, valdomą ir tekstinėmis užuominomis
  • WorldCrafter: DI pasauliai, kurie prisimena — apie generuojamas aplinkas, išlaikančias būsenos nuoseklumą
  • ByteDance naujas pasaulio modelis — ByteDance pristatytas pasaulio modeliavimo darbas
  • OpenAI Dots (rėmėjas) — vaizdo įrašo rėmėjo intarpas apie OpenAI Dots funkciją
  • Matrix Game 4.0: žaidimų varikliai susitinka su DI — interaktyvaus žaidimų generavimo modelio pristatymas
  • NVIDIA StreamRender-H3 — NVIDIA srautinio atvaizdavimo tyrimas
  • Odyssey: vaisinės muselės smegenys DI pasaulyje — eksperimentas, kuriame biologinis smegenų modelis patalpinamas į simuliuotą aplinką
  • 3D rekonstrukcija, animacija ir pasaulių kūrimas — naujausi įrankiai trimačiams objektams ir scenoms kurti
Šaltinis: Matt Wolfe YouTube kanalas·
Pilna santrauka →

ElevenLabs pristato Eleven Realtime Translation — vertimą pokalbio metu

ElevenLabs paskelbė apie realaus laiko vertimo funkciją, leidžiančią kiekvienam pokalbio dalyviui kalbėti savo kalba ir girdėti pašnekovą ta pačia kalba natūraliu balsu dar vykstant skambučiui. Galima pasirinkti bet kurį balsą iš bibliotekos, įskaitant savo balso kloną, o „eagerness" nustatymas leidžia rinktis tarp kokybės ir vėlinimo; naudojant Eleven v4 Turbo palaikoma daugiau nei 90 kalbų. Kol kas tai tik įmonėms skirta API, prieinama susisiekus su pardavimų komanda.

Šaltinis: ElevenLabs YouTube kanalas·

Penki praktiniai Google Gemini 4 Argon testai: nuo žaidimo kopijos iki fizikos aikštelės

Apžvalgoje naujasis Google modelis „Gemini 4 Argon“ išbandomas penkiais skirtingais scenarijais: žaidimo atkūrimu vienu bandymu, produktų tyrimu apie prenumeratų ir API sąsają, nuotraukos vertimu į 3D spausdinimui tinkamą STL failą, tvarkaraščio sudarymu su apribojimais ir interaktyvios fizikos aikštelės kūrimu. Autoriaus vertinimu, rezultatai rodo, kad Google pasivijo konkurentus.

Video eiga 5 skyriai
  • Žaidimo atkūrimas — modelis vienu bandymu sugeneruoja kito žaidimo kopiją.
  • Produktų tyrimas — palyginamos ChatGPT Plus, Claude Pro ir Google AI Pro prenumeratos bei API naudojimo sąlygos.
  • Nuotrauka į 3D — iš pateikto atvaizdo paruošiamas STL failas spausdinimui Bambu Lab spausdintuvu.
  • Tvarkaraščio planavimas — pagal žmonių užimtumo apribojimus modelis paskirsto užduotis ir laikus.
  • Fizikos aikštelė — sukuriama interaktyvi aplinka, kurioje keičiant parametrus matomi fizikos pokyčiai.
Šaltinis: Matt Wolfe YouTube kanalas·

OpenAI demonstruoja apsipirkimo agentą: iš kambario nuotraukos — į užsakymą

Demonstracijoje su išgalvotu namų prekių prekių ženklu „Vesper & Alder" pirkėjas balsu ir nuotrauka prašo įrengti skaitymo kampelį: agentas parenka baldus, sugeneruoja kambario vizualizaciją ir perrenka prekes, kad suma neviršytų 250 USD. Po apmokėjimo jis dar pasiūlo papildomą pledą ir pokalbiu pakeičia atsiėmimą parduotuvėje į pristatymą namo. Pavyzdys rodo, kaip multimodalinis agentas gali apimti visą mažmeninės prekybos kelią nuo idėjos iki užsakymo keitimo.

Šaltinis: OpenAI YouTube kanalas·