MiDashengLM-Gen：LLM 驱动的混合音频场景生成
fruesome · reddit · 2026-08-16
MiDashengLM-Gen 是一个端到端框架，利用预训练大语言模型和音频 Tokenizer 作为骨干，结合基于 Token 的条件流匹配（Autoregressive Flow Matching），能够从结构化文本描述生成混合语音、音乐、音效和环境音的连贯音频场景。
「多模态」频道最新
- AI 重制版《霹雳游侠》走红,马斯克与 Lex Fridman 担纲主演 — bennash · 2026-10-16
- ImageNet 该退休了:ImageNet 与文生图方法排名相关性为负 — YouJiacheng · 2026-10-16
- 开源 anatomy-reveal skill:把 Claude 变成产品拆解动画工作室 — msharmas · 2026-10-16
- 实测结论:Flux 3 Klein 不如上一代,Base 版被评「几乎不可用」 — Both-Rub5248 · 2026-10-16
- 中科大团队提出 Speculative Sampling，交互式视频生成延迟大降 — ustc · 2026-10-16
- 80万 Gaussian Splat 跑在 WebGPU，a16z 合伙人称可近无限扩展 — generativist · 2026-10-16