腾讯推出的M2UGen是一款多模态音乐生成框架，结合音乐和多模态任务，支持从文字、图像、视频生成音乐，并具备强大的编辑功能。
AI和机器学习工具能够通过视频和音频进行模拟，这对身份和访问管理构成威胁。使用AI渲染的视频现在相当容易被检测到，但合成语音克隆对于使用语音生物识别技术作为身份验证流程一部分的组织来说是一个很大的威胁。
这种一步采样的方法使得CoMoSVC在实际应用中更加实用，特别是在需要快速处理大量数据的场景下，如实时音频处理和音乐制作等领域。这项技术的出现将为音频转换带来更加高效和方便的解决方案，为人们提供更多创造和表达的可能性。
BakLLaVA是使用LLaVA1.5架构增强的Mistral7B基础模型，具备更好的性能和商用能力。BakLLaVA在多个基准测试中优于LLaVA213B，并且可以在某些数据上进行微调和推理。虽然BakLLaVA在训练过程中使用了LLaVA的语料库，不允许商用，但BakLLaVA2则采用了更大的数据集和更新的架构，超越了当前的LLaVA方法，具备商用能力。
图源备注：图片由AI生成，图片授权服务商Midjourney