โมเดลSFC-Locoformer: การบีบอัดสเปกตรัมแบบปรับได้และขอบเขตการสนทนาสำหรับ 11.8 dB DnR
การอ่านกระดาษ / การแยกเสียงภาพยนตร์และโทรทัศน์อย่างเข้มข้น
อ่านบทความ
โมเดลBoogu-Image 0.1: การแบ่งงานและความเสี่ยงจากการบิดเบือนของน้ำหนักทั้งสามของ Base, Turbo และ Edit
โมเดลกายวิภาคศาสตร์/การสร้างและตัดต่อภาพ
อ่านบทความ
โมเดลSenseNova-U1 อินโฟกราฟิก V2: ช่วงการประเมิน 50.3 จุดและขอบเขตอินโฟกราฟิก
รุ่นพิเศษ/การสร้างอินโฟกราฟิก
อ่านบทความ
โมเดลLongCat-AudioDiT 3.5B: เขียนเงื่อนไขของลำโพงลงในหม้อแปลงกระจายเสียง
การอ่านบทความอย่างเข้มข้น / การโคลนเสียงแบบไม่มีตัวอย่าง
อ่านบทความ
โมเดลAudioSep-Hive: แยกเสียงที่กำหนดเองด้วยข้อความค้นหา
การแยกเสียง / หมายเหตุทางเทคนิค
อ่านบทความ
โมเดลBandIt และ TIGER-DnR: การต่อสู้เพื่อการคำนวณการแยกสามแทร็กสำหรับภาพยนตร์และโทรทัศน์
เสียงภาพยนตร์และโทรทัศน์ / DnR
อ่านบทความ
โมเดลMossFormer2 และ TIGER-speech: สามส่วนของงานในส่วนหน้าเสียง
การเปรียบเทียบส่วนหน้าด้วยเสียง / เทคโนโลยี
อ่านบทความ
โมเดลเสียงเฉพาะสำหรับ MIDI: ห้ารุ่น, เอกสารสอบ F1 ที่แตกต่างกันห้าฉบับ
โมเดลเหล่านี้มีน้ำหนักสาธารณะ การเชื่อมต่อเป็นเครื่องมือหรือ profile ของ TelkNet ตัวเลือกเวอร์ชันที่ชัดเจน และนิยาม runtime แบบคงที่ สถานะ Admin เป็นตัวกำหนดการแสดงผลและการรับงาน การเปิดใช้ต้องมีหลักฐาน E2–E4 และเส้นทางเริ่มต้นต้องมี E5 เพิ่มเติม
อ่านบทความ
โมเดลMuScriptor-large: การวัดจริงและขอบเขตของพารามิเตอร์ 1.366 พันล้านพารามิเตอร์ที่ผสมผสานกับ MIDI แบบหลายแทร็ก
การถอดเสียงเพลงอัตโนมัติ
อ่านบทความ
โมเดลQwen-Image, Z-Image และ FLUX.2 [klein]: ความแตกต่างระหว่างเส้นทางรูปภาพที่เปิดอยู่สามเส้นทาง
ภาพรวมโมเดลรูปภาพ/เทคโนโลยีแบบเปิด
อ่านบทความ
โมเดลBiRefNet, Moebius, VOSR และ DDColor: ปัญหาสี่ประการผกผัน ความล้มเหลวสี่วิธี
การคืนค่ารูปภาพ / การเปรียบเทียบโมเดลพิเศษ
อ่านบทความ
โมเดลdots.tts: ตัวแปรแฝงเสียงต่อเนื่อง การจับคู่โฟลว์ และคำพูดระยะไกล 48 kHz
การสังเคราะห์คำพูด / การอ่านบทความอย่างเข้มข้น
อ่านบทความ
โมเดลSoulX-Singer และ YingMusic-Singer-Plus: การขับเคลื่อนคะแนนและการอ้างอิงทำนอง เส้นทางการสังเคราะห์เสียงร้องสองเส้นทาง
การสังเคราะห์เสียงร้อง / การเปรียบเทียบเส้นทาง
อ่านบทความ
โมเดลHQ-SVC และ YingMusic-SVC: การแยกเนื้อหา, F0, พลังงานและจังหวะของการแปลงเสียงร้องเพลง
การเปรียบเทียบการแปลงเสียง/เทคโนโลยีการร้องเพลง
อ่านบทความ
โมเดลเอาชนะสิ่งนี้!: เอาชนะการติดตามโดยไม่สิ้นสุด DBN
การดึงข้อมูลเพลง / การตีความกระดาษ
อ่านบทความ
โมเดลDemucs v3 แซ็กโซโฟนรุ่น: 14.22 dB และย่านความถี่แคบ A/B
หมายเหตุการแยกเครื่องมือ/ทางเทคนิค
อ่านบทความ
โมเดลQwen3-TTS, Fish S2 Pro, MOSS-TTS และ VoxCPM2: อินเทอร์เฟซเงื่อนไขเสียงสี่แบบ
การสังเคราะห์เสียง / การเปรียบเทียบแบบจำลองแบบเปิด
อ่านบทความ
โมเดลVevo2: การปรับโครงสร้างการร้องเพลงตามเงื่อนไขสามประการ: เนื้อหา จังหวะ และจังหวะ
การสังเคราะห์เสียงร้อง/บันทึกทางเทคนิค
อ่านบทความ
โมเดลไวต์เปเปอร์การแยกเสียง 4 stem: เหตุผลที่ Huge-SCNet เหมาะกับ MSS
เครื่องมือ 4 stem ปัจจุบันของ TelkNet ใช้ Huge-SCNet-4stems V1.2 เพื่อแยกมิกซ์เต็มเป็น vocals, drums, bass และ other บทความนี้อธิบายเหตุผลผ่านประวัติ MSS จุดแข็งและข้อจำกัดของ Mel-Band RoFormer การทำ subband ของ SCNet และคะแนนสาธารณะ
อ่านบทความ
โมเดลKrea 2: Krea AI เปิดตัวน้ำหนัก Raw และ Turbo สำหรับสร้างภาพ
Krea AI เปิดตัว Krea 2 Raw และ Krea 2 Turbo เป็นน้ำหนักแบบเปิด รายงานทางเทคนิคอธิบายว่า Krea 2 เป็นโมเดล diffusion แบบ text-to-image ขนาด 12B ที่ฝึกจากศูนย์ และให้รายละเอียดเรื่องการกรองข้อมูล, caption pipeline, post-training, reinforcement learning รวมถึงขอบเขตด้านความปลอดภัยและไลเซนส์
อ่านบทความ
โมเดลChordEdit: one-step low-energy transport สำหรับการแก้ไขภาพ source-to-target
ChordEdit เป็น paper ระดับ CVPR 2026 Oral / Best Student Paper Honorable Mention งานนี้มองการแก้ไขภาพด้วยข้อความแบบ one-step เป็นปัญหา optimal transport แบบไดนามิกระหว่าง source prompt และ target prompt แล้วใช้ Chord Control Field ลด drift พลังงานสูงที่ทำให้วัตถุและฉากหลังผิดรูป บทความนี้จับคู่แนวทางดังกล่าวกับพื้นผิวพารามิเตอร์แก้ไขภาพที่ใช้ source_prompt, target_prompt, seed, sample count, time-window และ step-scale ตาม demo ทางการ
อ่านบทความ
โมเดลZyphra ZONOS2: TTS MoE แบบเปิดสำหรับการโคลนเสียงคุณภาพสูง
Zyphra เปิดตัว ZONOS2 ภายใต้ Apache-2.0: พารามิเตอร์รวม 8B ใช้งานราว 900M ใน MoE TTS และข้อมูลเสียงกว่า 6M ชั่วโมง TelkNet นำเสนอเป็นเครื่องมือ ZONOS2 Voice Cloning TTS
อ่านบทความ
โมเดลGoogle Magenta RealTime 2: เมื่อโมเดลดนตรีกลายเป็นเครื่องดนตรีที่เล่นได้
บทสรุปที่อัปเดตพร้อมภาพทางการจาก Google เกี่ยวกับเวลาแฝงต่ำ การควบคุม MIDI/ข้อความ/เสียง โครงสร้าง 2.4B/230M ฮาร์ดแวร์ และข้อจำกัดของ MRT2
อ่านบทความ