腾讯发布多模态音乐生成模型M2UGen
此外,个人版还支持类 Siri 的悬浮语音交互,用户可以通过语音与 AI 工具进行交互。
在实验中,VCoder与开源的多模态LLMs(如MiniGPT-4、InstructBLIP、LLaVA-1.5和CogVLM)进行了比较,并在COST验证集上进行了测试。实验结果表明,VCoder在对象识别任务中表现最佳,特别是在对象计数和识别方面优于基线模型。在处理复杂场景中的对象计数和识别任务时,VCoder展现出更高的准确性,尤其是在场景中有许多实体时。
另外,BakLLaVA是使用LLaVA1.5架构增强的Mistral7B基础模型,已经在多个基准测试中优于LLaVA213B。这三种开源视觉模型在视觉处理领域具有极大的潜力。
多种配音角色选择: 提供多种配音角色,包括edgeTTS以及支持openai的TTS模型,用户可以根据需求选择最合适的配音风格。