Suno推出视觉创作工具Visuals,将视频和图像生成引入音乐创作。其模型H3 Move基于MiniMax开源视频模型H3打造,并针对音乐场景调优,可生成呼应歌词、支持口型同步的最长15秒视频,还能制作歌词视频和专辑封面。视频模型在速度、成本和质量上已适合普通用户。Visuals采用独立付费积分,并加入内容过滤和水印保护。
Suno推出“Visuals”功能,可将AI歌曲转为AI图像和最长15秒的自动对口型视频,支持网页、iOS和安卓。用户可选预设角色、上传图片或通过提示生成图像,并设置画幅、首尾帧及剪辑时间线。该功能由基于MiniMax H3的H3 Move模型驱动,并设有过滤措施防止生成艺人、公众人物及版权内容。视频和图像需另用Visuals积分。此前Suno因音乐生成面临诉讼,部分用户希望其先改进音频质量。
McKinsey Global Publishing’s visual storytellers reveal the creative choices behind ten of the best images, animations, and interactives representing our key insights.
本研究分析了视觉语言模型(VLMs)在处理ASCII艺术时的局限性,发现其在文本与视觉模式冲突时存在文本优先偏见,且随着语义复杂度的增加,视觉识别能力下降。这为未来模型的改进提供了参考。
本研究提出了“误导性图表问答基准”,用于评估多模态大语言模型识别误导性图表的能力。结果表明,现有模型在识别视觉误导方面存在局限性,并提出了新方法以提高解读准确性,为理解误导性图表提供了基础。
本研究探讨了如何利用大型语言模型(LLMs)自动生成数学图形,以解决数学教育中的视觉化不足问题。研究表明,生成的SVG格式矢量图形能有效提升学生的学习体验。
SceneXplain transforms product images into audio descriptions, ensuring visual content isn't just seen, but also heard and understood. It's a step forward in creating an inclusive digital world...
该工作设计了一个基于在线会议平台的AI辅助插件,通过视觉字幕推荐多种方式的视觉图像,帮助人们理解他人的话语。作者通过众包完成了一个涵盖超过1500个用户意图的数据集,并通过微调语言模型进行视觉字幕的预测。用户可以浏览备选的视觉图像并选择将其公开展示。该工作设计了三种交互模式,根据用户请求、根据AI推荐和AI全自动。通过多个用户实验,发现视觉说明可以帮助用户理解不熟悉的概念、减少语言中的模糊性,并且不同人在不同场景下对于交互模式的偏好具有差异。
完成下面两步后,将自动完成登录并继续当前操作。