Midjourney公司计划在未来几个月推出“文本转视频”模型，通过在1月开始培训视频模型，强调其自然发展和在生成视频领域引入竞争动态，同时V6更新提升画质和用户体验。
阿里巴巴开源项目DreamTalk，能让人物头像栩栩如生地说话，支持多语言、歌曲、嘈杂音频匹配，开放更多开发者创新。
获得原始大脑数据后，研究人员就可以用大语言模型等对其进行解码，提取重要的视觉、文本信息。所以，获取大脑活动数据是翻译、重构人类想法、思维画面的关键基础。
在实验中，VCoder与开源的多模态LLMs（如MiniGPT-4、InstructBLIP、LLaVA-1.5和CogVLM）进行了比较，并在COST验证集上进行了测试。实验结果表明，VCoder在对象识别任务中表现最佳，特别是在对象计数和识别方面优于基线模型。在处理复杂场景中的对象计数和识别任务时，VCoder展现出更高的准确性，尤其是在场景中有许多实体时。
语音自动生成字幕: 工具具备自动生成字幕的功能，用户可以在软件中对生成的字幕进行灵活编辑，确保最佳的翻译效果。