站长之家（ChinaZ.com）8月9日 消息:VidLNs 是谷歌推出的一种视频注释工具，可以生成丰富的视频描述，并实现准确的时空定位。这是一种注释视频的增强方法，通过同时使用语音描述和鼠标移动来构建视频的叙述。
VidLNs 的注释过程包括观察视频、选择关键帧、逐个角色构建叙述，并使用语音描述和鼠标移动来标记相关对象和动作。
项目地址：https://github.com/google/video-localized-narratives
通过选择关键帧来表示每个角色的重要时刻，并通过口述描述和鼠标指导来突出显示相关对象和动作。这种方法可以生成详细的视频注释，为视频叙事定位和视频问答等任务提供了坚实的基础。
核心功能:
1. 通过语音描述和鼠标移动来构建视频叙述。
2. 使用关键帧来突出显示每个角色的关键时刻。
3. 提供准确的时空定位，生成详细的视频注释。
4. 为视频叙事定位和视频问答等任务提供基础。
（举报）
11.11云上盛惠！海量产品 · 轻松上云！云服务器首年1.8折起，买1年送3个月！超值优惠，性能稳定，让您的云端之旅更加畅享。快来腾讯云选购吧！
腾讯云
12-20
Moonvalley是一个文字转视频生成AI模型，其强大创作能力令人惊叹。只需用户提供简单的文字描述，Moonvalley就可生成细腻逼真的高清视频和动画，完美呈现用户的想象世界，这对艺术创作、商业广告等领域都具有巨大价值。Moonvalley处于Beta阶段，并完全免费。
ChatVideo是一个基于人工智能的视频分析和管理工具，致力于帮助用户高效学习和管理视频。在这个视频泛滥的时代，ChatVideo凭借其独特的AI技术，为用户节省大量时间，真正释放视频的价值。如果你希望高效管理视频，ChatVideo一定是你的最佳选择。
妙鸭相机宣布推出免费版，用户上传8张照片即可生成个人专属的数字分身，并赠送一套“都市正装”写真模板。此前用户需上传20张照片并支付9.9元。妙鸭相机表示，希望通过这种方式让更多用户体验到ai写真的乐趣，并逐步将用户圈层从写真爱好者向普通用户拓展。
天眼查App显示，9月19日，B站关联公司上海幻电信息科技有限公司申请的“有声弹幕生成、播放方法和系统”专利公布。专利摘要显示，该申请提供了一种有声弹幕生成、播放方法、系统、计算机设备及计算机可读存储介质，方法包括:获取基于预置的虚拟乐器输入的第一音频数据，根据第一音频数据生成有声弹幕数据，播放有声弹幕。通过该专利，用户可以在观看视频或浏览页面内容时，输入个性化的有声弹幕，形成有声评论，在其他用户播放视频时进行输出，达到播放有声弹幕的效果。
RerenderAVideo是一项令人印象深刻的技术成果，它旨在将大型文本到图像扩散模型的能力扩展到视频领域。该项目提出了一种零训练的文本引导视频到视频翻译框架，能够在视频帧之间确保时间一致性，这一直是一个巨大的挑战。命令行支持:提供了灵活的命令行脚本，允许用户通过命令行参数控制翻译过程。
Genmo是一款基于人工智能的创意产品，可以通过语言描述自动生成视频、图像、3D模型等创意内容。Genmo提供多种创意工具，是内容创作者、设计师、艺术家的强大创意助手。Genmo会持续迭代升级技术，赋能更多创作者开启创造之旅。
伦敦初创公司StabilityAI发布了一款名为StableAudio的AI音乐生成工具，标志着音乐创作领域再次迎来了创新。StableAudio采用了一种称为潜在扩散的技术，据称可以生成高质量、商业可用的音乐。StabilityAI表示，他们正在积极采取措施来确保内容的真实性，包括在图像模型中实施水印技术，以便用户和平台可以识别通过其托管服务生成的AI辅助内容。
谷歌最近将其大型语言模型驱动的聊天机器人Bard引入了一系列产品，包括Gmail、GoogleDrive、GoogleDocs、GoogleMaps以及谷歌旗下的YouTube等。尽管谷歌试图将其新一代生成式AI与已有的产品线相结合，但似乎行动有些仓促。谷歌发布如此混乱的产品，这也让人更为担忧AI在个人电子邮件中爬行可能带来的重大数据隐私问题。
英国初创公司Wayve在2023年6月发布了GAIA-1，这是一款为自动驾驶车辆培训数据设计的生成式模型。GAIA-1的最新版本，GAIA-19B，已经取得了令人瞩目的进展。这种基于文本的逻辑可以增加车辆的安全感，使人工智能的决策不再像一个“黑盒子”。
AnimateDiff是一款强大的工具，它允许您轻松地将文本转化为动画图像无需特定的调整。它为用户提供了无限的创意和探索空间，让您可以将文本描述转化为令人惊叹的动画场景。只需运行几个命令，就可以在本地主机上启动演示，通过用户友好的界面进行互动。
RAGFlow是一个开源的RAG（Retrieval-Augmented Generation）引擎，基于深度文档理解，提供流线型的RAG工作流程，适用于各种规模的企业。它结合了大型语言模型（LLM）提供真实的问答能力，支持从各种复杂格式数据中引用确凿的引文。
EmojiTell是一个创新的在线服务，可以将文本翻译成表情组合，增加沟通的趣味性和表现力。它由一支对表情符号充满热情的开发者和设计师团队开发，旨在通过表情符号的力量，让信息传递更加生动和个性化。
Perplexica是一个开源的AI驱动搜索引擎，它不仅搜索网络，还理解您的问题。它使用先进的机器学习算法，如相似性搜索和嵌入，来优化结果，并提供引用来源的清晰答案。使用SearxNG保持最新和完全开源，确保您始终获得最新信息，同时不损害您的隐私。
FaceChain是一个深度学习工具链，由ModelScope提供支持，能够通过至少1张肖像照片生成你的数字孪生体，并在不同设置中生成个人肖像（支持多种风格）。用户可以通过FaceChain的Python脚本、熟悉的Gradio界面或sd webui来训练数字孪生模型并生成照片。FaceChain的主要优点包括其生成个性化肖像的能力，支持多种风格，以及易于使用的界面。
HuggingFace镜像站是一个非盈利性项目，旨在为国内的AI开发者提供一个快速且稳定的模型和数据集下载平台。通过优化下载过程，减少因网络问题导致的中断，它极大地提高了开发者的工作效率。该镜像站支持多种下载方式，包括网页直接下载、使用官方命令行工具huggingface-cli、本站开发的hfd下载工具以及通过设置环境变量来实现非侵入式下载。
WebLlama是一个基于Meta Llama 3构建的代理，专门为网页导航和对话进行了微调。它旨在构建有效的以人为中心的代理，帮助用户浏览网页，而不是取代用户。该模型在WebLINX基准测试中超越了GPT-4V（零样本）18%，展示了其在网页导航任务中的卓越性能。
GitHub Copilot for Infrastructure as Code（简称Infra Copilot）是一个利用机器学习技术帮助基础设施专业人员自动生成精确基础设施代码的工具。它通过理解基础设施任务的上下文，允许专业人员使用自然语言表达需求，并接收相应的代码建议。Infra Copilot不仅简化了基础设施即代码（IaC）的开发过程，还确保了跨环境和项目的一致性，加速了新团队成员的上手和学习过程，显著提高了工作效率并节约了时间。
LLaVA++是一个开源项目，旨在通过集成Phi-3和LLaMA-3模型来扩展LLaVA模型的视觉能力。该项目由Mohamed bin Zayed University of AI (MBZUAI)的研究人员开发，通过结合最新的大型语言模型，增强了模型在遵循指令和学术任务导向数据集上的表现。
PhysDreamer是一个基于物理的方法，它通过利用视频生成模型学习到的对象动力学先验，为静态3D对象赋予交互式动力学。这种方法允许在缺乏真实物体物理属性数据的情况下，模拟出对新颖交互（如外力或代理操作）的真实反应。PhysDreamer通过用户研究评估合成交互的真实性，推动了更吸引人和真实的虚拟体验的发展。
AI快站是一个为AI开发者设计的服务平台，提供HuggingFace模型的免费加速下载，解决大模型下载缓慢和断开的问题，支持高达4M/s的下载速度，大幅减少等待时间，提高开发效率。
Llama-3 8B Instruct 262k是一款由Gradient AI团队开发的文本生成模型，它扩展了LLama-3 8B的上下文长度至超过160K，展示了SOTA（State of the Art）大型语言模型在学习长文本操作时的潜力。该模型通过适当的调整RoPE theta参数，并结合NTK-aware插值和数据驱动的优化技术，实现了在长文本上的高效学习。此外，它还基于EasyContext Blockwise RingAttention库构建，以支持在高性能硬件上的可扩展和高效训练。
CoreNet 是一个深度神经网络工具包，使研究人员和工程师能够训练标准和新颖的小型和大型规模模型，用于各种任务，包括基础模型（例如 CLIP 和 LLM）、对象分类、对象检测和语义分割。
Llama中文社区是一个专注于Llama模型在中文方面的优化和上层建设的技术社区。社区提供基于大规模中文数据的预训练模型，并对Llama2和Llama3模型进行持续的中文能力迭代升级。社区拥有高级工程师团队支持，丰富的社区活动，以及开放共享的合作环境，旨在推动中文自然语言处理技术的发展。
Interactive3D是一个先进的3D生成模型，它通过交互式设计为用户提供了精确的控制能力。该模型采用两阶段级联结构，利用不同的3D表示方法，允许用户在生成过程的任何中间步骤进行修改和引导。它的重要性在于能够实现用户对3D模型生成过程的精细控制，从而创造出满足特定需求的高质量3D模型。
GraphRAG (Graphs + Retrieval Augmented Generation) 是一种通过结合文本提取、网络分析以及大型语言模型（LLM）的提示和总结，来丰富理解文本数据集的技术。该技术即将在GitHub上开源，是微软研究项目的一部分，旨在通过先进的算法提升文本数据的处理和分析能力。
Qwen1.5-110B是Qwen1.5系列中规模最大的模型，拥有1100亿参数，支持多语言，采用高效的Transformer解码器架构，并包含分组查询注意力（GQA），在模型推理时更加高效。它在基础能力评估中与Meta-Llama3-70B相媲美，在Chat评估中表现出色，包括MT-Bench和AlpacaEval 2.0。该模型的发布展示了在模型规模扩展方面的巨大潜力，并且预示着未来通过扩展数据和模型规模，可以获得更大的性能提升。
ID-Aligner 是一种用于增强身份保留文本到图像生成的反馈学习框架，它通过奖励反馈学习来解决身份特征保持、生成图像的审美吸引力以及与LoRA和Adapter方法的兼容性问题。该方法利用面部检测和识别模型的反馈来提高生成的身份保留，并通过人类标注偏好数据和自动构建的反馈来提供审美调整信号。ID-Aligner 适用于LoRA和Adapter模型，通过广泛的实验验证了其有效性。
Bundle of Joy是一个为准父母设计的应用程序，可以在几秒钟内为他们的新生儿浏览和筛选名字。该应用根据父母的偏好推荐名字，并根据父母的喜好进行学习，为他们提供适合他们口味的新的推荐。父母可以指示宝宝的性别，然后选择以下两个选项之一：名字的首选来源、宗教、主题、首字母和含义。他们开始根据自己的独特偏好获得漂亮的宝宝名字推荐。他们可以随时修改这些偏好，并继续根据自己的口味获得新鲜的推荐。
StudyBoosterAI通过AI技术提供个性化支持，包括定制化学习材料、生动的学习内容、个性化学习计划等，帮助学生更有效地学习和记忆知识。
SNAPVID是一款智能视频编辑工具，利用AI技术提供多个热门视频剪辑建议，用户只需点击一次即可创建多个病毒式视频剪辑。同时，用户可以根据需要自定义剪辑长度和风格，并添加自定义的字幕和动画表情。SNAPVID还支持批量导出和品牌定制，使用户能够轻松导出自己喜欢的视频剪辑并保存项目设置，方便在多个项目中复用。通过AI B Roll技术，SNAPVID还可以自动添加相关的库存视频，提升视频的沉浸感。
