文章列表-AI魔法学院

文章列表

Fastwhisper + Pyannote 实现 ASR + 说话者识别

wespeaker-voxceleb-resnet34-LM https://huggingface.co/pyannote/segmentation-3.0 最后再修改下config.yaml里的模型路径，参考我的：在这里插入图片描述

faster-whisper 语者识别 ASR

2023年人工智能行业总结

九月GPT4V发布，让GPT有了眼睛,可以看图了。

人工智能 AGI 思考总结

PymuPDF4llm：PDF 提取的革命

（三）图像提取 1.

PymuPDF4llm PDF

Stable Diffusion

Stable Diffusion教程：绘制3D风格的手办公仔

Stable Diffusion是一种强大的深度学习模型，能够将2D图像转化为具有丰富细节和质感的3D模型。

Stable Diffusion 教程 3D

我去华强北走了一圈，发现这里正被另一种 AI 包围

明面上，华强北是珠三角电子供应链的销售前台、电子市集；背地里，创业者们来去匆匆，试图将这里变成AI创新硬件的爆发地。

华强北 AI

微软对 Sora 进行了逆向工程分析，揭秘 Sora 的秘密

图 12: 掩码扩散变换器 (MDT) 的整体架构图。

Sora 微软

一文看懂RAG：大语言模型落地应用的未来

RAG的演进轨迹在四个不同阶段展开，如下图所示。

rag 检索增强

阿里Outfit Anyone实现真人百变换装

扩散模型已经证明了它们能够生成高质量和逼真的图像，但当涉及到虚拟试妆等条件生成场景时，它们在实现控制和一致性方面仍然面临挑战。

Outfit Anyone 阿里

用Midjourney给自己制作精美的logo或头像

在图形设计领域，人工智能正在革新logo的创建方式。

头像 logo

解读wav2lip：探究语音驱动唇部动作的技术原理！

，而唇部区域只占整个图像的很小一部分（不到4%），因而无法聚焦唇部细节。

wav2lip 语音

7.1k Star！RAGFlow：最新开源OCR+深度文档理解的RAG引擎、大海捞针测试、降低幻觉、服务化API集成进业务！

这就好比你问了一个复杂的问题，RAG先跑去图书馆查资料。

OCR RAG 开源

Sora懂不懂物理世界？

丘成桐先生的弟子, 计算机图形学专家顾险峰从数学角度给出了很精到的分析：https://mp.weixin.qq.com/s/IUN1Y6TDATtFOK9r8m8iUQ 顾险峰老师在文中列举了Sora

文生视频视频生成 sora

《嬛嬛朕emo啦》但马斯克！阿里这项技术开放试玩

，时长00:17 为什么只需要上传一张图就能立即做到逼真效果？

音频阿里

达摩院SPACE对话大模型：知识注入与知识利用

但是，本质上都还是语言模型，如上图右边的流程图所示，输入基本上为网络上的自由文本，模型基本上都是 Transformer 结构，优化的目标基本上都是 MLM（掩码语言模型）。

大模型

Stable Diffusion

Stable Diffusion | SD腾讯云3步部署，全程五分钟，附价格费用清单

先说腾讯云费用，计算细则在文末：平均生成单张图片的费用为0.01元~0.1元。

下载开源模型

<...34 35 36 373839 40 41 42 43 ...>

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