“O”:视频输出。2023年，我们看到了文字到视频合成的浪潮:WALT（谷歌）、EmuVideo(Meta)、Align Your Latents(英伟达)、Pika等等，数不胜数。然而，大多数生成的片段仍然很短。我将它们视为AI视频的“系统1”——“无意识”的局部像素运动。
RAG仍将是一大焦点（我们还没有解决它）。
1. Nvidia将更加努力成为云提供商，与亚马逊、微软和谷歌之间的关系愈发复杂。
2. 🤳 该方法使用有限的高质量个体图像集，以保持图像对个体身份的高保真性。
不同于传统的迭代采样过程，CoMoSVC实现了一步采样，即能够在单次操作中完成声音的转换，大大加快了处理速度。同时，它在保持高音质转换的同时，优化了推理速度，确保转换后的音频既自然又忠实于目标歌手的风格。