文章列表-AI魔法学院

文章列表

开源语音大语言模型来了！阿里基于Qwen-Chat提出Qwen-Audio!

给定成对数据(a, x)，其中a和x表示音频序列和文本序列，训练目标是最大化下一个文本标记的概率。

大模型语音

openpose原理及安装教程（姿态识别）

OpenPose是一个用于实时多人姿态估计的开源库，它可以检测图像或视频中的人体关键点，并且能够识别不同的身体部位和动作。

行为识别姿态识别

被高估的Pika，被低估的多模态AI

例如，在医疗领域可以通过结合图像、录音和病历文本，提供更准确的诊断和治疗方案；在交通领域，结合图像和传感器数据，带来更智能、更安全的自动驾驶体验；在教育领域，将文本、声音、视频相结合，呈现更具互动性的教育内容

大模型多模态

ViTPose+：迈向通用身体姿态估计的视觉Transformer基础模型

身体姿态估计旨在识别出给定图像中人或者动物实例身体的关键点，除了典型的身体骨骼关键点，还可以包括手、脚、脸部等关键点，是计算机视觉领域的基本任务之一。

ViTPose+Transformer 身体姿态

神奇的 OuteTTS - 0.1 - 350M：用几秒钟音频克隆声音的黑科技！

这一步骤确保了文本与生成的语音在时间和内容上的精准对应，提高了语音合成的准确性和连贯性。

OuteTTS-0.1-350M 音频

4K star！录屏好帮手，超酷的实时按键显示工具

今天我就帮你找到了一个好用的工具，它开源免费效果还超酷，帮你完成实时可视化键盘按键的效果，它就是：Keyviz。

Keyviz 录频

揭秘数字人困境：代理商亏钱、直播屡被封、刘润也不用了

这是数字人底层技术的自然延伸，“从技术定位上看，数字人本质上是做视频合成。

数字人

腾讯开源的数字人MuseTalk到底行不行？

MuseTaIk特别适用于256x256像素的面部区域，且支持中文、英文和日文等多种语言输入。

MuseTalk 数字人音频

11个非常简短却十分神奇的 ChatGPT 指令，刷新你的认知

本文将介绍 11 个短小精悍的提示词，让你很容易记忆并应用它们。

提示词

为什么说数智化可以帮助中小企业降本增效 ?

数智化产品为「商铺门店、公寓酒店、楼宇园区」等场景提供智能设备组网链接、视频监控、安全消防、智慧收银等集中一体化产品方案，实现「政务信息化」中在线办公、线上审批、信息公开等数字化应用的高效运转，为中小企业带来

大模型

AI换脸：FaceFusion 3.5.0更新，解决老版本无法使用问题！

这些模型利用深度学习技术生成逼真且美观的着色效果。

FaceFusion 文生图

无限逼近真人效果的“超真实人像大模型”，或许它才是你一直在寻找的真爱！

DeepFloyd IF是一个由一个冻结文本编码器和三个级联像素扩散模块组成的模块：一个基于文本提示生成64x64像素图像的基础模型和两个超分辨率模型，每个模型都设计用于生成分辨率不断提高的图像：256x256

大模型文生图

如何用大语言模型构建一个知识问答系统

领域知识入库该过程的主要目的是：将原始知识库分拆为若干知识点，并生成与之对应的字典： key 是知识点 Embedding 之后生成的向量 value 是知识点的原始记录该字典的作用是用户提问时

知识库

Stable Diffusion

stable diffusion如何确保每张图的面部一致？

：用于文本到图像扩散模型的文本兼容图像提示适配器，名字很长很拗口，我们只要记住四个字就行了：图像提示，如果还觉得长，那就两个字：垫图。

图生图文生图 sd

你真的会写 Prompt ? 剖析 RAG 应用中的指代消解

，并将这些信息与 LLM 的生成能力结合，从而提高生成的准确性和可靠性。

Prompt 大语言模型 RAG

<...18 19 20 212223 24 25 26 27 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1