KeyFrame內部研究專用

AI Breakthroughs Everyone Missed

Matt Wolfe英文
觀看原始影片

三句話摘要

分享最近發現、未登主流新聞的 AI 研究專案與工具,涵蓋語音表演、人物動畫、世界模型、3D 重建與遊戲引擎等領域。 小型研究專案藉由拆分職責(遊戲引擎、AI 渲染、記憶查詢)與泛化學習,正逐漸解決大模型單獨處理的記憶、一致性與效率瓶頸。 語音與影像的精細控制——Fish Audio Drama 3 突破傳統情感下拉菜單限制,讓創作者用自然語言精確指導表演細節,甚至控制特定詞彙的音效,對遊戲對白與有聲書製作實用性提升。

重點整理

  1. 語音與影像的精細控制——Fish Audio Drama 3 突破傳統情感下拉菜單限制,讓創作者用自然語言精確指導表演細節,甚至控制特定詞彙的音效,對遊戲對白與有聲書製作實用性提升。

  2. 世界模型的一致性突破——Worldcrafter 透過位置感知的記憶查詢,讓 AI 重新進入畫面時記起之前的狀態,解決長期以來世界模型物體消失與環境變化的核心問題,3D 點雲重建驗證一致性有效。

  3. 分工模式優於全能模型——Matrix Game 與 Nvidia 都棄用單一 AI 模型處理所有邏輯,改由遊戲引擎掌管物理、狀態、規則,AI 只負責視覺渲染,大幅減少模型記憶負擔與計算複雜度。

  4. 3D 生成的泛化學習——Telescope 等新模型不再費時調整個別場景,而是學習通用表面特性與物理規律,能補齊缺失影像並處理反光、玻璃等傳統方法的弱點。

實用技巧與重點

  • Fish Audio Drama 3
  • 參數:36 億參數
  • 硬體需求:46GB VRAM(或 32GB 搭配 4bit 量化版本)
  • 授權:商用免費(年收入不超過 50 萬美元)
  • API 定價:10 美元/百萬字符(啟動折扣),11 月 12 日後升至 50 美元
  • 網址:fish.audio/drama3
  • Omnihuman 2.0
  • 性能提升:從 60 秒延伸至 5 分鐘連續拍攝
  • 解析度:720p
  • 定價:7 美分/秒(前版本 12 美分/秒);5 分鐘完整視頻約 21 美元
  • 平台:Byte Plus API
  • Worldcrafter
  • 開源:GitHub + Hugging Face 可用
  • 主要改進:相機位置查詢型記憶機制
  • 測試基準:145 個場景
  • Matrix Game 4.0
  • 參數:各遊戲各 50 億參數
  • 解析度:480×864
  • 硬體:RTX 5090
  • 遊戲類型:中世紀城堡射擊、古埃及射擊、城市競速
  • 授權:Apache 2.0(可商用)
  • 平台:Hugging Face Space
  • Nvidia Stream Render H3
  • 硬體:8×L40S GPU(資料中心等級)
  • 每步驟耗時:218 毫秒
  • 訓練範圍:僅賽車
  • Telescope
  • 輸入需求:50-256 張照片
  • 方法:多解析度分層細化
  • 特色:處理反光/玻璃表面
  • 其他
  • Odyssey 3:experience.odysseys.systems
  • Gaussy Animate:GitHub 開源,研究用途
  • World Gasha:免費瀏覽器工具,支援 PNG/SVG/3D 物體檔案匯出

結論

小型研究專案藉由拆分職責(遊戲引擎、AI 渲染、記憶查詢)與泛化學習,正逐漸解決大模型單獨處理的記憶、一致性與效率瓶頸。

完整解析

本影片講者打破慣例,放棄聚焦大型實驗室的主流新聞,反而深入展示近期發現的冷門但精采的 AI 與科技研究。起點是 Fish Audio Drama 3,一套文字轉語音模型推翻傳統情感選單設計,改採劇本註解的自然語言指導——創作者可在方括號內寫下「勉強撐著、假裝微笑」這類表演指示,模型便據此調整語調、停頓與細節,甚至容許針對特定詞彙的音效注入(如耳語、笑聲、顫抖呼吸)。人工分析顯示其發音精度領先業界,但盲測偏好度仍落後其他模型,反映精準度與自然度的權衡。

進入視覺領域,Byte Dance 的 Omnihuman 2.0 從單張照片加音訊生成人物表演視頻,核心突破是從 60 秒擴展至 5 分鐘連續鏡頭,省去拼接多段短片的工程;支援唱歌、文字提示控制攝影機與背景增補,但唇語同步仍有改善空間,定價降至 7 美分/秒。隨後引入世界模型熱潮——Tencent Worldcrafter 透過位置感知記憶查詢,解決「轉身後景物消失」的經典問題;3D 點雲重建驗證其一致性有效,且能追蹤移動物體跨鏡頭邊界。

講者並列對比兩種遊戲引擎融合 AI 的架構:Skyworks Matrix Game 4.0 由遊戲引擎繪製低解析度幾何,AI 負責視覺美化,因此物理狀態由引擎掌管、景物不消失;Nvidia Stream Render H3 更進一步,僅傳遞色彩編碼地圖(每像素一顏色代表路面/草地/障礙),AI 從零繪製全景,允許換膚重構整個場景。兩者都達成 1-2 分鐘無切割遊戲會話,但出發點相反——前者保留 3D 幾何、降低 AI 負擔;後者最小化引擎資訊、放大 AI 創意空間。

3D 重建領域,Preferred Networks 的 Telescope 從 50-256 張照片超越高斯拼接生成高細節網格,通過多解析度分層精化與學習通用表面模式,克服反光與玻璃難題。同時 Gaussy Animate 針對鬆散衣著、動物等軟性外層搭配剛性骨架的角色,於標準骨骼骨架外添加浮動節點模擬布料流動物理。尾聲介紹非 AI 工具 World Gasha——隨機生成虛構地區的浏覽器應用,支援漫畫線條、城市街景、3D 物體匯出,可作為 AI 影像/影片模型的前置世界建構層。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。