跳到正文

#多模態

今日 4 條
今天11月22日週日4 則
  1. DEV Community39

    TalkPause:以攝影機偵測説話並自動暫停音樂的 Windows 桌面應用程式

    作者打造 TalkPause,一款透過攝影機偵測用戶説話、暫停音樂並在安靜倒數後恢復播放的 Windows 桌面應用程式。它使用 Presage SmartSpectra SDK 的 talking 訊號,不使用麥克風或語音轉錄;説話持續 1 秒才會觸發暫停,安靜恢復延遲可設為 1、2、3、5 或 8 秒。應用程式可控制本機音訊及 Spotify、瀏覽器播放器等 Windows 媒體工作階段。

  2. DEV Community54

    Alyven Music 如何在 Next.js 建立非同步 AI 音訊生成流程

    Alyven Music 作者以 Next.js + TypeScript 建立非同步 AI 音訊生成流程,讓 API 先返回 jobId,再由 Webhook 回報完成狀態。流程以資料庫交易建立任務及扣除點數,派送失敗或生成失敗時退款,並以冪等檢查避免重複退款。前端每 3 秒輪詢任務狀態;文中亦建議把生成音訊轉存至自有儲存空間,並用 cron 處理逾時未完成的任務。

11月21日週六
  1. Google AI:DEV 作者專屬35

    Gemini 的原生多語言能力是甚麼?

    Gemini 原生支援多語言,指示、資料及輸出可在任何模態中使用 100 多種語言,亦可混合語言。示範中,單一提示詞模板在 15 秒內將 1789 年法國《權利宣言》平行翻譯成英文、普通話、印地語及西班牙文,並保留原有 Markdown 排版。

  2. 阿里雲開發者社區 AI38

    LLM 驅動的數據可視化生成與評估綜述

    這篇綜述梳理 LLM 驅動數據可視化生成與評估的演進,涵蓋從規則系統到多智能體協作,以及評估從結構匹配轉向多維對齊。MultiVis-Agent 在 MultiVis-Bench 上的任務完成率為 74.18%,以部分生成靈活性換取可靠性。領域核心問題是在確保數據保真度的同時,實現複雜可視化的可靠生成。

  3. 阿里雲開發者社區 AI53

    Wan3.0‑Video 全面指南:參考生成、影片編輯實作、收費及注意事項

    阿里雲通義萬相 Wan3.0‑Video 支援文生影片、圖生影片及參考生影片,單次生成最長 30 秒,並可輸入辦公文件。模型提供 480P、720P、1080P 輸出,透過阿里雲百煉的非同步 API 提供服務;邀測期間須申請權限,且未開源,只能雲端呼叫。計費按成功生成時長及解像度計算,華北2(北京)1080P 原價為 1.2 元/秒,文章亦整理素材版權、人工審核和異常處理等注意事項。

  4. 阿里雲開發者社區 AI55

    Qwen3.8-Max 是甚麼?阿里雲旗艦大模型功能、適用場景及計費方案説明

    阿里雲開發者社區文章介紹 Qwen3.8-Max 的模型定位、主要能力、適用場景及計費方式,並列出按量 API 和 Token Plan 兩種模式。文章稱,Qwen3.8-Max 採用 2.4 萬億參數 MoE 架構,支援百萬 Token 上下文、文字、圖片及影片輸入,並針對智能體、編碼和專業辦公等複雜任務。

  5. 阿里雲開發者社區 AI62

    Qwen3.8-Omni-Flash 選型參考:模型能力、適用場景與價格解析

    Qwen3.8-Omni-Flash 離線版可接收文字、圖像、音訊及影片並輸出文字,定位於多模態理解與 Agent 任務。離線版支援 1M 上下文,非思考模式最大輸出 128K;即時版 qwen3.8-omni-flash-realtime 面向低延遲語音互動、影片理解及 MCP 工具調用。離線版輸入和輸出分別為 0.8 元/百萬 Token、2.7 元/百萬 Token;即時版按模態分項計費。

  6. 第一財經25

    豆包難辨國產大型 SUV 外觀|記者觀察

    測試顯示,豆包、DeepSeek等AI智能體辨認車標被模糊處理的兩款國產9系大型 SUV 側面圖時,往往未能一次答對,經3~4次糾正後才辨認正確;露出前臉或尾燈等特徵後,則能準確識別。電動平台、風阻及車內六座大空間等共同工程考量,令多款大型 SUV 側面比例和腰線相近,車企則透過車頭、車尾的燈語與標識保留設計差異。

  7. 阿里雲開發者社區 AI68

    阿里雲 Kimi-K3 選型參考:模型定位、能力、適用場景與收費解析

    Kimi-K3 是面向長程編程、知識工作及推理的權重開源模型,參數量為 2.8 萬億,輸入與輸出上限均為 1,048,576 Token,並已上架阿里雲百煉。文章整理其原生視覺能力及基準成績,並指出模型僅有思考模式,不支援聯網搜尋、批量推理或模型調優。華北2(北京)/全球每百萬 Token 的輸入、輸出及快取命中價格分別為 20 元、100 元及 2 元,且沒有免費額度。

  8. 阿里雲開發者社區 AI70

    DeepSeek-V4.1-Flash 模型解析:定位、能力、應用場景與計費

    DeepSeek-V4.1-Flash 已上架阿里雲百煉,文章梳理其模型定位、架構特點、能力表現、應用場景與計費方式。文中列出 1M 上下文、384K 最大輸出,並指其在多項編程、終端及 Agent 基準上超過 V4-Pro。文章亦比較百煉與 DeepSeek 官方 API 的峯谷時段口徑,並説明快取命中會影響費用。

  9. 創業邦56

    OpenAI 為打造首款硬件,集結多名前蘋果硬件人才

    OpenAI 正為首款消費級 AI 硬件組建研發與製造體系,首款產品據報是預計 2027 年交付消費者的無屏便攜式設備。Jony Ive、LoveFrom 及多名前蘋果硬件人才參與設計和研發,文章稱立訊精密將是核心製造商。歌爾股份目前僅有供應接洽的消息,未有公開可靠證據顯示其取得定點或量產訂單。

  10. 阿里雲開發者社區 AI47

    阿里雲通義千問 Qwen-image-3.0 詳解:核心能力、底層架構與實戰教程

    Qwen-image-3.0 圍繞長指令理解、文字渲染及多圖編輯等能力升級,支援文字生成圖像和參考圖編輯,提供標準版與 Pro 版本。模型最多支援 4.5K Token 輸入、最多傳入 3 張參考圖,並可輸出 512×512 至 2048×2048 的自訂尺寸圖像。服務提供同步及異步調用模式,兼容 OpenAI 圖像接口規範。