文章列表-AI魔法学院

文章列表

语音、视频转文字神器：开源whisper介绍

安装使用以下指令： pip install -U openai-whisper 或者使用以下指令从源码安装最新版 pip install --upgrade --no-deps -

人工智能大模型 wisper

FFmpeg之父新作——音频压缩工具 TSAC

其原理和我们之前介绍的突破压缩极限的AI语音编解码器类似，使用深度学习网络进行压缩，TSAC这里引入Transformer结构来提升性能。

TSAC 音频工具

京东开源普通话数字人JoyHallo，一口流利标准普通话还会讲英语

首先，收集全面的普通话数据集非常困难；其次，普通话的复杂口型动作使得模型训练比英语更具挑战性。

JoyHallo 数字人开源模型

推荐一个自动生成复杂提示词的模版：思考链（CoT）如何通过分步推理提升AI任务准确性 | 示例详解

这种方法使得模型能够逐步构建解决方案，从而减少错误并提高准确性。

思考链提示词

DALL-E 3 不只是文生图！10 个案例颠覆认知

我在这篇文章里发掘了10个使用场景，希望能给你一些灵感。

DALL-E 3 文生图

炸裂！百川开源第1个7B多模态大模型 Baichuan-Omni | 能够同时分析图像/视频/音频/文本

最初，作者使用大量的图像文本对齐数据集来训练视觉语言模型。

Baichuan-Omni 多模态大模型

吴恩达老师建议大家关注 AI 智能体工作流

· • 使用工具：让大语言模型调用外部工具，如网络搜索、代码执行等 · · • 规划：让大语言模型自己设计一个多步骤的计划来达成目标

智能体大语言模型

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

该模型使用从Qwen-7B导出的预训练权重进行初始化。

大模型语音

大模型RAG检索增强问答如何评估：噪声、拒答、反事实、信息整合四大能力评测任务探索

然后，使用搜索引擎检索。

大模型 RAG检索增强

腾讯最新的人像写真工作PhotoMaker

还能输入两个图片，融合他们的长相，即使是真人照片+漫画也完全ok。

PhotoMaker 文生图

四木测评｜让教父唱《野狼disco》、恶搞《甄嬛传》，火遍全网的阿里明星项目EMO正式开放

简单来说，EMO 可以使人像照片“动起来”。

EMO 阿里全民演唱

OpenAI官方ChatGPT提示工程 - 最佳实践11篇（大合集）

提升GPT Prompt效果最佳实践 - 给 GPT 时间思考 5.使用外部工具通过使用其他工具的输出来弥补GPT的不足。

ChatGPT 大模型

Midjourney 实现角色一致性的新方法

同一提示之词，竟能催生出千变万化的图像，使得AI所绘之作，宛如自然之物般独特，毫无呆板重复之嫌。

midjourney 文生图绘画

Stable Diffusion

Stable Diffusion超清放大及修复细节操作

现在，让我来给大家详细介绍一下使用Stable Diffusion进行超清放大和修复细节的过程吧！

Stable Diffusion 文生图

什么是ChatGPT？

这种模型的基本原理是通过构建一个神经网络来学习和模拟人类的语言处理过程，使得模型能够理解并生成人类的语言。

ChatGPT OpenAI 大模型

<...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