ΜοντέλοSFC-Locoformer: Προσαρμοστική φασματική συμπίεση και όρια διαλόγου για 11,8 dB DnR
Εντατική ανάγνωση διατριβής / διαχωρισμός ήχου ταινιών και τηλεόρασης
Διαβάστε το άρθρο
ΜοντέλοBoogu-Εικόνα 0.1: Καταμερισμός της εργασίας και του κινδύνου παραμόρφωσης μεταξύ των τριών βαρών Base, Turbo και Edit
Model Anatomy/Image Generation and Editing
Διαβάστε το άρθρο
ΜοντέλοSenseNova-U1 Infographic V2: Εύρος αξιολόγησης 50,3 σημείων και όρια infographic
Ειδικό μοντέλο/γενιά infographic
Διαβάστε το άρθρο
ΜοντέλοLongCat-AudioDiT 3.5B: Εγγραφή συνθηκών ηχείων στον μετασχηματιστή διάχυσης ήχου
Εντατική ανάγνωση της εργασίας / Κλωνοποίηση φωνής μηδενικού δείγματος
Διαβάστε το άρθρο
ΜοντέλοAudioSep-Hive: Διαχωρίστε αυθαίρετους ήχους με ένα ερώτημα κειμένου
Διαχωρισμός ήχου / τεχνικές σημειώσεις
Διαβάστε το άρθρο
ΜοντέλοBandIt και TIGER-DnR: Η μάχη για την υπολογιστική κατανομή του διαχωρισμού τριών κομματιών για τον κινηματογράφο και την τηλεόραση
Ήχος ταινιών και τηλεόρασης / DnR
Διαβάστε το άρθρο
ΜοντέλοMossFormer2 και TIGER-speech: τρία τμήματα εργασιών στο front-end φωνής
Σύγκριση διεπαφής φωνής / τεχνολογίας
Διαβάστε το άρθρο
ΜοντέλοΕιδικός ήχος σε MIDI: πέντε μοντέλα, πέντε διαφορετικά έγγραφα εξετάσεων F1
Αυτά τα μοντέλα διαθέτουν δημόσια βάρη, σύνδεση ως εργαλείο ή profile του TelkNet, σαφή επιλογή έκδοσης και αμετάβλητους ορισμούς runtime. Η κατάσταση Admin ελέγχει την προβολή και την αποδοχή εργασιών· η ενεργοποίηση απαιτεί E2–E4 και η προεπιλεγμένη διαδρομή επιπλέον E5.
Διαβάστε το άρθρο
ΜοντέλοMuScriptor-large: πραγματική μέτρηση και όρια 1,366 δισεκατομμυρίων παραμέτρων πλήρης μίξη σε MIDI πολλαπλών κομματιών
Αυτόματη μεταγραφή μουσικής
Διαβάστε το άρθρο
ΜοντέλοQwen-Image, Z-Image και FLUX.2 [klein]: Οι διαφορές μεταξύ τριών ανοιχτών διαδρομών εικόνας
Άνοιγμα μοντέλου εικόνας/Επισκόπηση τεχνολογίας
Διαβάστε το άρθρο
ΜοντέλοBiRefNet, Moebius, VOSR και DDColor: Τέσσερα αντίστροφα προβλήματα, τέσσερις τρόποι αποτυχίας
Αποκατάσταση εικόνας / σύγκριση ειδικών μοντέλων
Διαβάστε το άρθρο
Μοντέλοdots.tts: Συνεχείς ακουστικές λανθάνουσες μεταβλητές, αντιστοίχιση ροής και ομιλία μεγάλης εμβέλειας 48 kHz
Σύνθεση λόγου / Εντατική ανάγνωση εργασιών
Διαβάστε το άρθρο
ΜοντέλοSoulX-Singer και YingMusic-Singer-Plus: μονάδα δίσκου και αναφορά μελωδίας, δύο διαδρομές σύνθεσης φωνής τραγουδιού
Σύνθεση τραγουδιού / σύγκριση διαδρομής
Διαβάστε το άρθρο
ΜοντέλοHQ-SVC και YingMusic-SVC: αποσυναρμολόγηση του περιεχομένου, F0, ενέργειας και χροιάς της μετατροπής φωνής τραγουδιού
Μετατροπή φωνής τραγουδιού / Σύγκριση τεχνολογίας
Διαβάστε το άρθρο
ΜοντέλοBeat This!: Beat tracking χωρίς τέλος DBN
Ανάκτηση μουσικών πληροφοριών / ερμηνεία χαρτιού
Διαβάστε το άρθρο
ΜοντέλοDemucs v3 μοντέλο σαξοφώνου: 14,22 dB και στενή ζώνη A/B
Διαχωρισμός οργάνων/Τεχνικές σημειώσεις
Διαβάστε το άρθρο
ΜοντέλοQwen3-TTS, Fish S2 Pro, MOSS-TTS και VoxCPM2: τέσσερις διεπαφές κατάστασης φωνής
Σύνθεση ομιλίας / ανοιχτή σύγκριση μοντέλων
Διαβάστε το άρθρο
ΜοντέλοVevo2: Αναδιοργάνωση τραγουδιού με βάση τρεις προϋποθέσεις: περιεχόμενο, ηχόχρωμα και ρυθμός.
Σύνθεση τραγουδιού/τεχνικές νότες
Διαβάστε το άρθρο
ΜοντέλοΔιαχωρισμός ήχου σε τέσσερα stems: γιατί το Huge-SCNet ταιριάζει στον στόχο MSS
Το τρέχον εργαλείο τεσσάρων stems του TelkNet χρησιμοποιεί Huge-SCNet-4stems V1.2 για να χωρίσει ένα πλήρες mix σε vocals, drums, bass και other. Το άρθρο εξηγεί την επιλογή μέσα από την ιστορία MSS, τα όρια του Mel-Band RoFormer, τη μοντελοποίηση subband του SCNet και δημόσιες βαθμολογίες.
Διαβάστε το άρθρο
ΜοντέλοKrea 2: Η Krea AI κυκλοφορεί βάρη Raw και Turbo για παραγωγή εικόνων
Η Krea AI κυκλοφόρησε τα Krea 2 Raw και Krea 2 Turbo ως ανοιχτά βάρη. Η τεχνική αναφορά περιγράφει το Krea 2 ως 12B text-to-image diffusion model εκπαιδευμένο από το μηδέν και αναλύει φιλτράρισμα δεδομένων, caption pipeline, post-training, reinforcement learning και όρια ασφάλειας και άδειας.
Διαβάστε το άρθρο
ΜοντέλοChordEdit: one-step μεταφορά χαμηλής ενέργειας για source-to-target επεξεργασία εικόνας
Το ChordEdit είναι paper CVPR 2026 Oral / Best Student Paper Honorable Mention. Αντιμετωπίζει την one-step επεξεργασία εικόνας με κείμενο ως δυναμικό πρόβλημα βέλτιστης μεταφοράς μεταξύ source prompt και target prompt, και χρησιμοποιεί Chord Control Field για να μειώσει drift υψηλής ενέργειας που παραμορφώνει αντικείμενα και φόντο. Το άρθρο αντιστοιχίζει τη μέθοδο σε επιφάνεια επεξεργασίας με source_prompt, target_prompt, seed, sample count, time-window και step-scale από το επίσημο demo.
Διαβάστε το άρθρο
ΜοντέλοZyphra ZONOS2: ανοιχτό TTS MoE για voice cloning υψηλής πιστότητας
Η Zyphra κυκλοφόρησε το ZONOS2 με Apache-2.0: 8B συνολικές παραμέτρους, περίπου 900M ενεργές σε MoE TTS και πάνω από 6M ώρες ομιλίας. Το άρθρο το πλαισιώνει ως workflow ZONOS2 Voice Cloning TTS.
Διαβάστε το άρθρο
ΜοντέλοGoogle Magenta RealTime 2: όταν ένα μουσικό μοντέλο γίνεται όργανο προς εκτέλεση
Ενημερωμένο briefing με επίσημα γραφήματα Google για χαμηλή καθυστέρηση, έλεγχο MIDI/κειμένου/ήχου, δομή 2.4B/230M, hardware και όρια του MRT2.
Διαβάστε το άρθρο