谷歌Gemma 4多模态可单次完成语音转录
HowDevelop · x · 2026-07-05
作者展示了谷歌 Gemma 4 模型的多模态能力:借助多模态,该模型可在单次推理中完成整条语音转录流水线,无需额外接入 Whisper 模型。其朋友据此构建了一款类似 WisprFlow 的端上(本地)语音应用。
「多模态」频道最新
- 微调后的 Krea 2 raw 模型做出了一张雨夜驾驶图 — darlens13 · 2026-07-27
- 有人在问 Video2X 能否加载 OpenModelDB 自定义模型 — Used-Profit2355 · 2026-07-27
- 有人想让 AI 逆向拆解爆款视频特效成 ComfyUI 流程 — stale2000 · 2026-07-27
- Midjourney V8.2 加入个性化并展示新图像效果 — Mr_AllenT · 2026-07-27
- Midjourney 图像多样性引发 Krea 2 对比与复现提问 — diffusion_throwaway · 2026-07-27
- AI 短片把 1985 年反乌托邦拍成电影感作品 — ProfessorKey98 · 2026-07-27