WavLate 用 MaxSim 对齐音频与词向量,每 10 秒音频保留 32 个向量
IgorCarron · x · 2026-11-21
开发者 Aarush 发布 WavLate:基于 mLateOn 文本编码器与 MGA-CLAP 音频编码器构建,每 10 秒音频保留 32 个向量、每个词对应一个向量,再用 MaxSim 把每个词匹配到音频片段中最契合的时刻,实现细粒度的音文对齐。
「多模态」频道最新
- TensorFlow 前早期成员创业 TensorScale,押注世界模型超越语言模型 — TerryTangYuan · 2026-11-21
- 摄影师实测 Minimax 复刻 Cinestill 800T:夜雨霓虹「银翼杀手」质感到位 — Purple-Let4907 · 2026-11-21
- 15年电子音乐老炮让Claude当乐队:搭出代理式DAW做了一整张专辑 — yawnxyz · 2026-11-21
- 实测对比:媒体生成模型自建云 GPU 比 Higgsfield/Runway API 更便宜灵活 — Al_Grigor · 2026-11-21
- 高斯泼溅俯视图曝光:Fable 据此规划像素公寓物件与彩蛋 — XRarchitect · 2026-11-21
- 用 Atlas + Fable 5.2 复刻自家户型,还能出门逛雨中旧金山 — XRarchitect · 2026-11-21