标签: 多模态AI (2 篇)

微软推出MIT许可的Whisper风格语音模型VibeVoice，内置说话人分离功能，可在Mac上本地高效处理长达一小时的音频转录。

Simon Willison 通过经典的“威利在哪里”式图像生成测试，揭示了GPT图像生成2.0在复杂场景理解、指令遵循和细节完整性上相较于前代及竞品的显著进步。