মডেলSFC-লোকোফর্মার: 11.8 dB DnR এর জন্য অভিযোজিত বর্ণালী সংকোচন এবং সংলাপ সীমানা
কাগজ/চলচ্চিত্র এবং টেলিভিশন শব্দ পৃথকীকরণের নিবিড় পঠন
নিবন্ধটি পড়ুন
মডেলBoogu-ইমেজ 0.1: বেস, টার্বো এবং সম্পাদনার তিনটি ওজনের মধ্যে শ্রম বিভাজন এবং বিকৃতির ঝুঁকি
মডেল অ্যানাটমি/ইমেজ জেনারেশন এবং এডিটিং
নিবন্ধটি পড়ুন
মডেলSenseNova-U1 ইনফোগ্রাফিক V2: 50.3-পয়েন্ট মূল্যায়ন পরিসর এবং ইনফোগ্রাফিক সীমানা
বিশেষ মডেল/ইনফোগ্রাফিক প্রজন্ম
নিবন্ধটি পড়ুন
মডেলLongCat-AudioDiT 3.5B: অডিও ডিফিউশন ট্রান্সফরমারে স্পিকারের শর্ত লিখুন
কাগজের নিবিড় পঠন / শূন্য-নমুনা ভয়েস ক্লোনিং
নিবন্ধটি পড়ুন
মডেলAudioSep-Hive: একটি টেক্সট ক্যোয়ারী দিয়ে স্বেচ্ছাচারী শব্দ আলাদা করুন
শব্দ বিচ্ছেদ / প্রযুক্তিগত নোট
নিবন্ধটি পড়ুন
মডেলBandIt এবং TIGER-DnR: ফিল্ম এবং টেলিভিশনের জন্য তিন-ট্র্যাক পৃথকীকরণের গণনা করার যুদ্ধ
ফিল্ম এবং টেলিভিশন সাউন্ড / DnR
নিবন্ধটি পড়ুন
মডেলMossFormer2 এবং TIGER-স্পীচ: ভয়েস ফ্রন্ট-এন্ডে টাস্কের তিনটি বিভাগ
ভয়েস ফ্রন্ট-এন্ড / প্রযুক্তি তুলনা
নিবন্ধটি পড়ুন
মডেলMIDI-তে বিশেষ অডিও: পাঁচটি মডেল, পাঁচটি ভিন্ন F1 পরীক্ষার প্রশ্নপত্র
এই মডেলগুলোর উন্মুক্ত ওজন, TelkNet tool বা profile সংযোগ, স্পষ্ট version নির্বাচন এবং অপরিবর্তনীয় runtime সংজ্ঞা রয়েছে। দৃশ্যমানতা ও task গ্রহণ Admin status নিয়ন্ত্রণ করে; সক্রিয় করতে E2–E4 এবং default route-এর জন্য অতিরিক্ত E5 প্রয়োজন।
নিবন্ধটি পড়ুন
মডেলMuScriptor-বৃহৎ: 1.366 বিলিয়ন প্যারামিটারের প্রকৃত পরিমাপ এবং সীমানা মাল্টি-ট্র্যাক MIDI-এর সম্পূর্ণ মিশ্রণ
স্বয়ংক্রিয় সঙ্গীত প্রতিলিপি
নিবন্ধটি পড়ুন
মডেলQwen-Image, Z-Image এবং FLUX.2 [klein]: তিনটি খোলা ছবি রুটের মধ্যে পার্থক্য
ওপেন ইমেজ মডেল/টেকনোলজি ওভারভিউ
নিবন্ধটি পড়ুন
মডেলBiRefNet, Moebius, VOSR এবং DDColor: চারটি বিপরীত সমস্যা, ব্যর্থতার চারটি উপায়
চিত্র পুনরুদ্ধার / বিশেষ মডেল তুলনা
নিবন্ধটি পড়ুন
মডেলdots.tts: ক্রমাগত শাব্দিক সুপ্ত ভেরিয়েবল, ফ্লো ম্যাচিং, এবং 48 kHz দীর্ঘ-পরিসীমা বক্তৃতা
বক্তৃতা সংশ্লেষণ / কাগজপত্রের নিবিড় পঠন
নিবন্ধটি পড়ুন
মডেলSoulX-Singer এবং YingMusic-Singer-Plus: স্কোর ড্রাইভ এবং মেলোডি রেফারেন্স, দুটি গানের ভয়েস সংশ্লেষণ রুট
Singing synthesis/রুটের তুলনা
নিবন্ধটি পড়ুন
মডেলHQ-SVC এবং YingMusic-SVC: কন্টেন্ট, F0, শক্তি এবং গানের ভয়েস রূপান্তরের টিমব্রে ভেঙে ফেলা
Singing Voice Conversion / Technology Comparison
নিবন্ধটি পড়ুন
মডেলBeat This!: DBN শেষ না করেই বিট ট্র্যাকিং
সঙ্গীত তথ্য পুনরুদ্ধার / কাগজের ব্যাখ্যা
নিবন্ধটি পড়ুন
মডেলDemucs v3 স্যাক্সোফোন মডেল: 14.22 dB এবং সংকীর্ণ ব্যান্ড A/B
যন্ত্র বিচ্ছেদ/প্রযুক্তিগত নোট
নিবন্ধটি পড়ুন
মডেলQwen3-TTS, Fish S2 Pro, MOSS-TTS এবং VoxCPM2: চারটি ভয়েস কন্ডিশন ইন্টারফেস
বক্তৃতা সংশ্লেষণ / ওপেন মডেল তুলনা
নিবন্ধটি পড়ুন
মডেলVevo2: তিনটি শর্তের উপর ভিত্তি করে গান গাওয়া পুনর্গঠন: বিষয়বস্তু, কাঠবাদাম এবং তাল।
গান সংশ্লেষণ/প্রযুক্তিগত নোট
নিবন্ধটি পড়ুন
মডেলচার-stem অডিও separation: Huge-SCNet কেন MSS লক্ষ্য পূরণ করে
TelkNet-এর বর্তমান চার-stem tool Huge-SCNet-4stems V1.2 ব্যবহার করে পূর্ণ mix-কে vocals, drums, bass এবং other-এ ভাগ করে। লেখাটি MSS architecture ইতিহাস, Mel-Band RoFormer-এর শক্তি ও সীমা, SCNet subband modeling এবং public four-stem score দিয়ে সিদ্ধান্ত ব্যাখ্যা করে।
নিবন্ধটি পড়ুন
মডেলKrea 2: Krea AI ছবি তৈরির Raw ও Turbo weights প্রকাশ করেছে
Krea AI Krea 2 Raw এবং Krea 2 Turbo-কে open weights হিসেবে প্রকাশ করেছে। প্রযুক্তিগত রিপোর্ট Krea 2-কে শূন্য থেকে প্রশিক্ষিত 12B text-to-image diffusion model হিসেবে বর্ণনা করে এবং data filtering, caption pipeline, post-training, reinforcement learning, safety ও license boundary ব্যাখ্যা করে।
নিবন্ধটি পড়ুন
মডেলChordEdit: source-to-target image editing-এর জন্য one-step low-energy transport
ChordEdit একটি CVPR 2026 Oral / Best Student Paper Honorable Mention paper। এটি one-step text-guided image editing-কে source prompt ও target prompt-এর মধ্যে dynamic optimal transport সমস্যা হিসেবে দেখে, তারপর Chord Control Field দিয়ে এমন high-energy drift কমায় যা object ও background বিকৃত করতে পারে। লেখাটি official demo-র source_prompt, target_prompt, seed, sample count, time-window এবং step-scale-কে image editing parameter surface হিসেবে সাজায়।
নিবন্ধটি পড়ুন
মডেলZyphra ZONOS2: উচ্চ-নিষ্ঠার ভয়েস ক্লোনিংয়ের জন্য ওপেন TTS MoE
Zyphra Apache-2.0 লাইসেন্সে ZONOS2 প্রকাশ করেছে: মোট 8B, প্রায় 900M সক্রিয় MoE TTS প্যারামিটার এবং 6M+ ঘণ্টা বক্তৃতা ডেটা। লেখাটি এটিকে ZONOS2 Voice Cloning TTS workflow হিসেবে ব্যাখ্যা করে।
নিবন্ধটি পড়ুন
মডেলGoogle Magenta RealTime 2: যখন সঙ্গীত মডেল বাজানো যায় এমন যন্ত্রে রূপ নেয়
Google-এর অফিসিয়াল চিত্রসহ আপডেটেড ব্রিফিং: কম লেটেন্সি, MIDI/টেক্সট/অডিও নিয়ন্ত্রণ, 2.4B/230M গঠন, হার্ডওয়্যার ও MRT2-এর সীমা।
নিবন্ধটি পড়ুন