IndexTTS-vLLM:使用 vLLM 推論加速的開源文字轉語音
文字轉語音技術在過去三年中取得了巨大進步。零樣本語音複製——系統可以僅從幾秒鐘的音訊合成出新語音——從研究新奇事物變成了實用工具。多說話者對話生成——可以在單一輸出中混合不同語音——從實驗性發展到生產就緒。阻礙這些能力被廣泛採用的限制因素越來越常是推論速度——輸出品質與生成速度之間的差距。 …
SoloSoft 關於軟體工程、Hugo、網站效能與多語系內容發佈的技術文章。
文字轉語音技術在過去三年中取得了巨大進步。零樣本語音複製——系統可以僅從幾秒鐘的音訊合成出新語音——從研究新奇事物變成了實用工具。多說話者對話生成——可以在單一輸出中混合不同語音——從實驗性發展到生產就緒。阻礙這些能力被廣泛採用的限制因素越來越常是推論速度——輸出品質與生成速度之間的差距。 …
對 macOS 使用者來說,內建的螢幕擷取工具一直功能充足但受限。Apple 提供的功能(自 macOS Mojave 以來的螢幕截圖快速鍵)與進階使用者所需的功能(標註、背景、快速編輯)之間的差距,一直由 CleanShot X(29 美元以上)和 Skitch 等商業工具填補。到了 …
StoryDiffusion 是南開大學與字節跳動的一項研究專案,針對生成式 AI 中最困難的問題之一:在長序列影像與影片中維持視覺一致性。作為一項重要的研究貢獻,它引入了一種新穎的**一致性自注意力(CSA)**機制,使擴散模型能夠生成連貫的漫畫條、動畫和影片——全部無需微調或逐序列訓練 …
Nexus Skills 是一個開源工具,解決 AI 輔助開發中最昂貴的問題之一:程式碼庫上下文。當你告訴 AI 編碼助手「找出使用者驗證在哪裡處理」時,它要麼需要將整個程式碼庫放入其上下文視窗(消耗數千個 token),要麼你必須手動搜尋並貼上相關檔案(浪費你的時間)。Nexus …
LLaMA-VID(大型語言與影片助手)是 ECCV 2024 的研究專案,針對 LLM 影片理解中的根本瓶頸:Token 效率。雖然現代 LLM 擁有 128K 到 200K Token 的上下文視窗,但先前的多模態方法每個影片幀消耗 100 到 500 個 Token,使得即使是短暫的 …
LightRAG 是香港大學 (HKU) 的一項研究專案,重新想像了使用知識圖譜的檢索增強生成(RAG)。該專案已被 EMNLP 2025 收錄,以基於圖形的架構取代傳統的平面向量儲存方法,從文件中提取實體及其關係,為 LLM 應用提供顯著更好的上下文理解。