英伟达提出统一音频-文本大模型
nvidia · hf · 2026-07-07
英伟达提出一种统一音频-文本大语言模型,通过共享transformer解码器整合音频与文本处理,在多项音频、语音任务上取得更优表现,同时保持较强的文本推理能力,实现“音频智能而不牺牲文本智能”。
所属事件:英伟达发布开源音频文本大模型 Audex-30B(9 条相关)→
「多模态」频道最新
- Reddit 网友晒 MiniMax H3 本地播客视频工作流:低配 RTX 3060 也能跑三种生成模式 — Sir2U4Now · 2026-10-27
- 用户反馈 MiniMax H3 双角色视频频繁串声:换音色、交换音频都修不好 — TigerClaw305 · 2026-10-27
- 研究者用爬山算法迭代生成艺术，V4 已「离真正的创造力一半」 — Afinetheorem · 2026-10-27
- AA 发布营销视频生成榜:Opus 5.5 领先 93 分但成本高出 10 倍 — ArtificialAnlys · 2026-10-27
- 图像自动生成效果逼真到作者自己都不敢相信 — omerbartal · 2026-10-27
- 网友在 Krea2 复现 Visual Anagram,一图藏两画的视觉错觉玩法 — ZerOne82 · 2026-10-27