首页 > 业界 > 关键词  > 谷歌最新资讯  > 正文

AI日报:谷歌杀器硬刚GPT-4o、Sora;字节推出豆包大模型“全家桶”;阿里再推AI虚拟试衣神器;腾讯开源混元文生图大模型

2024-05-15 14:57 · 稿源:站长之家

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南,每天我们为你呈现AI领域的热点内容,聚焦开发者,助你洞悉技术趋势、了解创新AI产品应用。

1、谷歌急了,终极杀器对打GPT-4o 视频模型Veo硬刚Sora

谷歌近日发布了一系列强大的AI工具,包括Project Astra、Veo视频模型和Gemini1.5Pro,旨在彻底颠覆谷歌搜索并挑战OpenAI。其中,Veo视频模型被视为对OpenAI Sora的正面迎战,具有惊人的电影感和专业级生成效果。谷歌结合多项开创性成果,提高了视频生成的一致性、质量和分辨率。发布的AI工具标志着谷歌在人工智能领域的不断进步和创新,竞争将持续升级。

image.png

【AiBase提要】

🔸大杀器Project Astra,视觉识别和语音交互效果,跟GPT-4o不相上下。

🔸Gemini1.5Pro超长上下文窗口,token数将达 200 万,且开放给个人使用

🔸文生视频模型Veo硬刚Sora,生成视频不仅真实,而且在光线、构图等方面具有惊人的电影感

Veo视频生成申请入口:https://aitestkitchen.withgoogle.com/tools/video-fx

Gemini体验地址:https://aistudio.google.com/app/prompts/new_chat

2、微软宣布 GPT-4o 模型在 Azure OpenAI 上使用

微软宣布最新的多模态模型GPT-4o现已可以在Azure OpenAI上使用,该模型支持跨文本、视频、音频多模态推理,具有强大的多模态解读和输出能力。GPT-4o在教育、语言学习、形象评价等领域有广泛应用前景。

【AiBase提要:】

🔸 GPT-4o支持跨文本、视频、音频多模态推理,展现强大的多模态解读、输出能力

🔸 在教育领域可作为AI辅导助手,帮助学生解答问题、进行实时语言翻译

🔸 在语言学习方面表现出色,通过视频进行西班牙语学习,在形象评价领域有广泛应用前景

3、字节跳动正式发布自研豆包大模型系列

字节跳动在2024春季火山引擎FORCE原动力大会上推出了豆包大模型系列,展现了其在人工智能领域的深厚积累和创新能力。豆包大模型已在内部广泛应用,对外服务将助力行业智能化升级。这一创新成果体现了字节跳动的技术积累和对未来AI发展的洞察。

image.png

【AiBase提要:】

✨ 字节跳动推出豆包大模型系列,包括九大模型,展示深厚技术积累和创新能力。

🚀 豆包大模型在内部已广泛应用,对外服务将助力行业智能化升级。

💡 创新成果体现字节跳动的技术积累和对未来AI发展的洞察。

详情:https://www.chinaz.com/2024/0515/1616629.shtml

4、阿里国际推出AI虚拟试衣工具,1分钟内搞定

阿里国际旗下的Pic 推出的AI虚拟试衣工具为服饰商家带来了革命性的成本节省和效率提升。商家只需上传服装图片并选择模特,即可在短时间内生成专业棚拍效果的商品图,平均成本控制在0.2-0.3元人民币以内。这一工具不仅简化了拍摄流程,还保证了模特授权合法性,受到了广交会北美客商的热烈欢迎。

image.png

【AiBase提要:】

👗 AI虚拟试衣工具帮助服饰商家省去拍摄成本,将商品穿在模特身上生成模特图。

📸 虚拟试衣功能支持上传上装和下装的图片,识别连身服装,生成不同效果的展示图。

💰 商家使用虚拟试衣功能平均成本控制在0.2-0.3元人民币以内,大大降低了拍摄成本,推动产品全球市场销售。

5、腾讯开源混元DiT 图像生成模型 可根据对话上下文生成并细化图像

这篇文章介绍了腾讯开源的混元DiT图像生成模型Hunyuan-DiT,它具有对中英文的精细理解能力,可以根据对话上下文生成并细化图像。Hunyuan-DiT结合了Transformer结构、文本编码和位置编码,训练了一个多模态大型语言模型,为图像生成任务带来显著效果。该模型在自然语言处理、图像生成等领域有广泛应用前景。

【AiBase提要:】

🔑 Hunyuan-DiT采用Transformer结构,在文本处理领域取得成功。

🔑 通过文本编码和位置编码,Hunyuan-DiT实现对中文的细粒度理解。

🔑 训练多模态大型语言模型,使Hunyuan-DiT能生成准确、描述性的图像描述。

详情链接:https://github.com/Tencent/HunyuanDiT

6、ElevenLabs发布配音API 允许开发者在产品中添加音频或视频翻译功能

ElevenLabs最近发布了配音API,为开发者提供了在其产品中添加音频或视频翻译功能的便利。该API支持29种语言翻译,并保留原始发言者声音特征。开发者可通过Python教程和API参考快速上手,轻松整合到主要编程语言中。ElevenLabs还推出了名为ElevenLabs Music的文本生成歌曲产品,展现出色的音乐表现和创作能力。

image.png

【AiBase提要:】

🔊 配音API允许翻译音频或视频至29种语言,并保留原声特征。

🎶 ElevenLabs Music在音乐方面表现出色,包括节奏感、和声、创意性等。

🎤 ElevenLabs的主要产品包括语音克隆、文本转语音和AI配音解决方案。

详情链接:https://elevenlabs.io/docs/api-reference/create-dub

7、MiniMax推出人生搭子「海螺 AI」

MiniMax推出了一款名为「海螺 AI」的人生搭子产品,为学生、职场新人、自由工作者、创作者等各类人群提供外挂大脑和人生搭子,帮助化解信息过载和高速运转带来的压力。小海螺具备智能高效的特点,支持处理长篇内容,理解情感并耐心倾听用户,支持多种交互方式。已被广泛使用,24*7在线解决用户问题,希望陪伴用户在人生不同阶段。

image.png

【AiBase提要:】

🧠 智能高效:小海螺接入自研多模态大模型,支持处理长篇内容,具备智能高效特点。

💬 人性化交互:产品有温度,理解情感并耐心倾听用户,支持多种交互方式如文字输入、上传文件、语音交流。

🌟 多群体应用:从备考学生到大厂运营人员,各类用户群体使用,展现多样化使用方式。

8、Android即将推出基于AI的诈骗电话检测功能

Google正在开发一项新的保护功能,利用Gemini Nano技术识别诈骗电话中的欺诈性语言和对话模式,用户将收到实时警报并被鼓励结束可疑通话。该功能在设备上进行监测,保持对话私密,有助于防止诈骗行为。

image.png

【AiBase提要:】

🔍 利用Gemini Nano技术识别诈骗电话中的欺诈性语言和对话模式,提供实时警报。

🚫 用户将收到警报,提示结束可疑通话,避免泄露个人信息或被诈骗。

💡 Gemini Nano目前仅支持Google Pixel8Pro和Samsung S24系列手机,限制了功能的适用范围。

9、谷歌计划将 Gemini Nano AI 直接内置到 Chrome 浏览器中

谷歌计划将 Gemini Nano AI 直接内置到 Chrome 浏览器中,这意味着用户将可以在浏览器内生成社交媒体帖子、产品评论等内容,同时为开发人员提供错误信息解释和代码修复建议。Gemini Nano在本地设备上运行,提供更快速和隐私保护的AI体验。

【AiBase提要:】

✨ Gemini Nano将直接嵌入Chrome浏览器,用户可生成社交媒体帖子、产品评论等内容

🔧 Gemini Nano作为Chrome DevTools的一部分,为开发人员提供错误信息解释和代码修复建议

⚡ Gemini Nano在本地设备上运行,提供更快速和隐私保护的AI体验

10、谷歌推出新的 AI 模型 LearnLM,专注于教育领域

谷歌推出的新 AI 模型 LearnLM 旨在帮助学生解决作业问题和提高学习效果,通过与谷歌其他产品整合,提供多种学习辅助功能,如简化课程计划、回答数学和物理题目等。

image.png

【AiBase提要:】

🤖 LearnLM 是谷歌基于 Gemini 开发的 AI 模型,旨在帮助学生解决作业问题和提高学习效果。

📚 LearnLM 可以通过不同方式找到和展示专题例子,辅导学生习,并激发学习兴趣。

💡 LearnLM 已与谷歌搜索、Android、YouTube 和 Gem 聊天机器人整合,简化课程计划,回答视频问题,提供个人专家等功能。

详情链接:https://blog.google/outreach-initiatives/education/google-learnlm-gemini-generative-ai/

11、谷歌将AI内容水印技术扩展到视频和文本领域

谷歌宣布将AI内容水印技术扩展到视频和文本领域,引入新型数字水印技术SynthID,用于标记由AI生成的内容。这一举措在应对政治虚假信息和不良内容传播方面具有重要意义。

【AiBase提要:】

🔍 SynthID是新型数字水印技术,可标记AI生成的视频和文本

🛡️ 数字水印无法被人类视觉辨别,但可被系统检测到,可应对政治虚假信息和不良内容传播

🌐 AI生成内容的数字水印越来越重要,特别是在AI被滥用时,谷歌的SynthID是其中之一

举报

  • 相关推荐
  • 大家在看
  • JASCO:音乐生成模型,结合文本和音频条件进行控制。

    JASCO是一个结合了符号和基于音频的条件的文本到音乐生成模型,它能够根据全局文本描述和细粒度的局部控制生成高质量的音乐样本。JASCO基于流匹配建模范式和一种新颖的条件方法,允许音乐生成同时受到局部(例如和弦)和全局(文本描述)的控制。通过信息瓶颈层和时间模糊来提取与特定控制相关的信息,允许在同一个文本到音乐模型中结合符号和基于音频的条件。

  • prism-alignment:探索大型语言模型的偏好和价值观对齐。

    prism-alignment 是一个由 HannahRoseKirk 创建的数据集,专注于研究大型语言模型(LLMs)的偏好和价值观对齐问题。数据集通过调查问卷和与语言模型的多轮对话,收集了来自不同国家和文化背景的参与者对模型回答的评分和反馈。这些数据对于理解和改进人工智能的价值观对齐至关重要。

  • LoRA Studio:探索多样化的AI模型。

    LoRA Studio 是一个在线平台,提供多种AI模型供用户探索和使用。这些模型涵盖了从动漫风格到抽象艺术的不同领域,可以用于生成艺术作品、设计元素等。平台的主要优点包括模型多样性、用户友好的界面以及创意的无限可能性。

  • Unstract:无代码LLM平台,用于结构化非结构化文档。

    Unstract是一个无代码的LLM(大型语言模型)平台,它允许用户通过简单的无代码方法启动APIs和ETL管道来处理非结构化文档。它支持从多种云文件/对象存储系统中读取复杂文档,并将结构化数据写入流行的数据仓库和数据库。Unstract利用大型语言模型的能力,超越了传统的RPA(机器人流程自动化),实现了机器到机器的自动化。

  • Woy AI:2024年顶级AI工具目录

    Woy.ai是一个AI工具目录,提供2024年最新的AI工具列表。它为技术爱好者、开发者和企业提供了一个平台,以发现和利用人工智能的最新进展。

  • Sparkpage:AI驱动的新型网页,重构信息互动。

    Sparkpage 是由 Genspark 推出的革命性网页形式,致力于通过 AI 技术改善用户在线获取信息的方式。它通过内容蒸馏和整合,提供无商业影响和编辑偏见的丰富、可靠信息。内置的 AI 助手能够动态响应用户查询,提供个性化的见解和信息。

  • Helix Free User Persona Generator:生成用户画像,助力市场洞察

    Helix是一个专注于用户画像生成的在线工具,能够帮助企业或个人快速理解目标受众的特征和需求。它通过分析用户数据,生成详细的用户画像,帮助产品或服务更好地定位市场和用户。

  • Promoted:提升市场搜索、推荐和原生广告的排名

    Promoted是一个专注于市场搜索、推荐和原生广告排名的解决方案,通过先进的机器学习技术和大型语言模型搜索相关性AI技术,显著提升转化率和广告质量。它为市场平台提供了统一的搜索、推荐和广告服务,帮助企业实现更好的匹配和更高的收益。

  • Index-1.9B-Pure:轻量级大语言模型,专注于文本生成。

    Index-1.9B-Pure是Index系列模型中的轻量版本,专为文本生成而设计。它在2.8T的中英文语料上进行了预训练,与同等级模型相比,在多个评测基准上表现领先。该模型特别过滤了所有指令相关数据,以验证指令对benchmark的影响,适用于需要高质量文本生成的领域。

  • Index-1.9B-Character:19亿参数规模的角色扮演模型,支持few shots角色定制。

    Index-1.9B-Character是由Index团队自主研发的大型语言模型,专注于角色扮演领域,拥有19亿参数规模。该模型支持用户通过上传角色对话语料实现快速的角色定制,具备较高的角色一致性、对话能力和角色扮演吸引力。在CharacterEval权威benchmark评估中,整体均分排名第九,表现优于同量级模型。

  • Index-1.9B-Chat:基于19亿参数的对话生成模型

    Index-1.9B-Chat是一个基于19亿参数的对话生成模型,它通过SFT和DPO对齐技术,结合RAG实现fewshots角色扮演定制,具有较高的对话趣味性和定制性。该模型在2.8T中英文为主的语料上预训练,并且在多个评测基准上表现领先。

  • Llama3-70B-SteerLM-RM:70亿参数的多方面奖励模型

    Llama3-70B-SteerLM-RM是一个70亿参数的语言模型,用作属性预测模型,一个多方面的奖励模型,它在多个方面对模型响应进行评分,而不是传统奖励模型中的单一分数。该模型使用HelpSteer2数据集训练,并通过NVIDIA NeMo-Aligner进行训练,这是一个可扩展的工具包,用于高效和高效的模型对齐。

  • ComfyUI.org:开源AI工具,推动AI民主化。

    ComfyUI是一个开源AI模型,致力于推动AI工具的民主化和开源化。它由一个团队创建和维护,旨在为AI社区提供易于使用、安全和可靠的工具。ComfyUI支持通过各种工具,如节点管理器、节点注册表、命令行界面、自动化测试和公共文档来支持其生态系统。团队相信开源模型将在长期内胜过封闭模型,并致力于通过社区驱动的方式推动AI工具的发展。

  • Hedra:创造实验室,打造下一代人类叙事产品

    Hedra是一个创新的创造实验室,专注于将基础模型转化为产品,以驱动下一代的人类叙事技术。它提供了一个平台,让用户能够创造具有表达力和可控性的人物角色视频,并构建能够捕捉想象力的虚拟世界。Hedra的使命是通过提供完整的创意控制,让用户想象世界、角色和故事。

  • L4GM:4D重建模型,快速生成动画对象

    L4GM是一个4D大型重建模型,能够从单视图视频输入中快速生成动画对象。它采用了一种新颖的数据集,包含多视图视频,这些视频展示了Objaverse中渲染的动画对象。该数据集包含44K种不同的对象和110K个动画,从48个视角渲染,生成了12M个视频,总共包含300M帧。L4GM基于预训练的3D大型重建模型LGM构建,该模型能够从多视图图像输入中输出3D高斯椭球。L4GM输出每帧的3D高斯Splatting表示,然后将其上采样到更高的帧率以实现时间平滑。此外,L4GM还添加了时间自注意力层,以帮助学习时间上的一致性,并使用每个时间步的多视图渲染损失来训练模型。

  • Grazias:自动化收集和分享客户反馈。

    Grazias是一个免费的在线工具,用于自动化收集客户的推荐信,并集中管理这些推荐信,同时可以方便地在任何地方分享。它提供了一系列功能,包括简单的表单收集、自定义表单、自动跟进邮件以及详细的分析和图表,帮助企业更好地管理和利用客户反馈。

  • Olvy AI:客户反馈的智能管理助手

    Olvy AI是一个先进的客户反馈管理平台,它通过AI技术整合来自不同渠道的客户声音,包括调查、访谈、评论、支持票据和销售电话等,帮助企业快速获取洞察力。它通过自动化和智能化的方式,将客户反馈转化为可操作的见解,帮助企业做出更明智、更快速的决策。Olvy AI的主要优点包括提高团队生产力、节省时间、提供精准的数据驱动见解,以及保持与用户需求的紧密联系。

  • Aware:智能孕期社区应用

    Aware.ai Pregnancy App是一个为孕妇设计的智能社区应用,通过AI技术为孕妇提供个性化的社区推荐和资源。它通过匹配孕妇的背景和孕期目标,帮助她们找到合适的社区和资源,分享孕期故事和经验,并通过一对一连接获得其他孕妇的见解和建议。

  • VidAU:AI驱动的视频和音频生成平台,简化内容创作。

    VidAU AI Video & Audio Creator是一个AI驱动的视频和音频生成平台,它通过简化从构思到制作的整个内容创作过程,使得用户能够轻松创建引人入胜的视频。平台提供多种AI工具,包括视频更换、视频翻译、字幕翻译和去除、AI虚拟形象发言人以及文本转音频等功能,帮助用户提升视频内容的质量和吸引力。VidAU支持120多种语言的视频翻译,覆盖150多个国家,能够节省90%以上的视频制作时间。

  • The Prompt Report:系统性调研生成式AI的提示技术

    The Prompt Report 是一份系统性调研报告,专注于生成式人工智能(GenAI)的提示技术。它通过结合人类和机器的努力,从多个数据库中处理了4797条记录,提取出1565篇相关论文。报告提供了58种基于文本的技术,并补充了多模态和多语言技术的广泛集合。其目标是提供一个易于理解和实施的提示技术目录,并回顾了作为提示扩展的代理,包括评估输出和设计有助于安全性和安全性的提示的方法。此外,报告还应用提示技术在两个案例研究中进行了实践。

今日大家都在搜的词: