IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
找到 2 个项目
清除筛选以下内容已由 AI 根据历史资料整理，供本地测试，未经人工复核。
音频驱动的无限长说话视频生成框架
InfiniteTalk 是美团 MeiGen-AI 团队于 2025 年 8 月开源的音频驱动无限长说话视频生成框架，全称 "Audio-driven Video Generation for Sparse-Frame Video Dubbing"。它提出了一种新型视频配音范式——"稀疏帧视频配音"，通过保留原始视频的关键参考帧，在维持身份信息、标志性手势和摄像机轨迹的同时，对全身运动进行音频同步的编辑。给定一段源视频和目标音频，可生成与音频精确口型同步、头部/身体/表情联动的全新视频；给定一张人物图片和音频，可从零生成无限长的说话人视频。支持 480P 和 720P 分辨率，默认最大 1000 帧/40 秒，可流式扩展。底层基于扩散模型构建，使用 Wan2.1-I2V-14B 作为视频生成基座，音频编码器采用 Wav2Vec2。项目以 Apache-2.0 许可证开源。
OpenAI 第二代原生图像生成模型，以 Transformer 端到端架构实现印刷级文字渲染与 UI 仿真。
GPT-image2 是 OpenAI 推出的第二代原生图像生成模型，模型 ID 为 gpt-image-1.5，属于 GPT 多模态模型家族中专门负责图像输出的成员。与 DALL·E 系列不同，它不是独立的扩散模型，而是直接嵌入在 GPT 推理架构中的图像生成能力，用同一个 Transformer 做文本理解和图像输出。该模型解决的核心问题是让 AI 生成的图片不再“一眼假”，在文字渲染、UI 仿真、细节精度、多语言支持等方面实现了跨越式提升。其核心优势包括：文字渲染达到印刷级精度，能精确模拟 App 界面、网页截图、后台管理面板，支持中文等多语言原生理解，并支持对话式迭代修改。模型通过 Responses API 和 Chat Completions API 接入，适合海报、UI 截图、试卷、书法、架构图等精确性场景。其局限包括成本较高（标准输入每张 8 美元）、生成速度较慢、审美需精细 Prompt 控制、无本地部署选项。