ربات انساننمای XMimic و XSoma که تقلید حرکت و راه رفتن روی زمین ناهموار رو توی کمتر از یه دقیقه یاد میگیره
🤖 تا حالا فکر کردید چرا با GPU (پردازندهی گرافیکی) قویتر، آموزش ربات لزوماً سریعتر نمیشه؟ روشهایی که ربات رو با یه World Model (مدل جهان) آموزش میدن، هر دورشون یه زنجیرهی طولانی از عملیاتهای کوچیکه که پشت سر هم اجرا میشن.
XMimic و XSoma از TU Darmstadt این زنجیره رو کوتاه کردن و مراحل آموزش رو همزمان روی چهار تا GPU پخش کردن. نتیجه: ربات Unitree G1 هر ۴۰ کلیپ حرکتی LAFAN1 رو توی ۰.۸۶ دقیقه یاد گرفته و راه رفتن روی زمین ناهموار رو توی ۰.۷۷ دقیقه؛ یعنی ۱۲.۳ برابر سریعتر از FastSAC (روش سریع یادگیری تقویتی) روی یه GPU.
#مقاله_علمی #رباتیک #ربات_انسان_نما
🔗 لینک مقاله
🔗 کد مقاله: XMimic
🔗 کد مقاله: XSoma
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
حالا Suno برای آهنگهاتون کاور آلبوم و ویدیو میسازه!
آهنگتون رو با Suno ساختید، ولی موقع پست کردنش موندید که چه عکسی کنارش بذارید؟ 🎨
#ابزار Suno امروز یه بخش تازه به اسم Visuals (تصویرسازی) راه انداخته. آهنگ رو از کتابخونهتون میکشید توی این بخش و یه کاور آلبوم همحالوهوای صداش میسازید، یا یه کلیپ تا ۱۵ ثانیهای. کلیپها با ساختار آهنگ جلو میرن و شخصیتها همراه متن آهنگ Lip Sync (لبزدن هماهنگ) میکنن. یه عکس از خودتون هم میشه نقطهٔ شروع باشه، یا اصلاً از شخصیتهای آمادهش شروع کنید و بعد با یه متن تازه ویرایشش کنید.
فعلاً فقط نسخهٔ وبه و اپ موبایلش چند هفتهٔ دیگه میاد. اعتبارش هم از اعتبار ساخت آهنگ جداست.
🔗 منبع خبر
🔗 لینک ابزار
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
مدل Kling Image 4.0 اومد!
🎨 فرض کنید یه فروشگاه اینترنتی دارید و برای یه محصول، ۱۰ تا عکس از زاویههای مختلف میخواید که همه یه حالوهوا داشته باشن.مدل Kling Image 4.0 که امروز اومد، همهشون رو با یه Prompt (دستور متنی) یکجا میسازه و سبک و چهرهی سوژه توی همهی عکسها ثابت میمونه.
خروجیش تا 8K (وضوح خیلی بالا) میره؛ یعنی بافت پارچه و جزئیات محصول حتی وقتی زوم میکنید یا عکس رو میبُرید، تیز میمونه. تا ۲ هزار کاراکتر نوشته هم توی یه تصویر جا میده، بیشتر از ۷۰ تا فونت آماده داره و متن و فونت رو بعد از ساخت هم میتونید عوض کنید.
فقط حواستون باشه زبانهای نوشتاریش فعلاً انگلیسی، چینی، ژاپنی، کرهای، اسپانیایی و پرتغالیه و فارسی هنوز توی فهرستش نیست.
#تولید_تصویر
🔗 لینک ابزار
🔗 اطلاعیه رسمی Kling AI
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
حالا Gemini بهجای شما زنگ میزنه، قبض رو بررسی میکنه و خرید میکنه!
📞 فرض کنید چراغ چک ماشین روشن شده و بهجای اینکه پشت خط تعمیرگاه منتظر بمونید، فقط به Gemini میگید «یه وقت جمعه صبح برام بگیر». توی مثال خود گوگل، Gemini همزمان به دو تا نمایندگی زنگ زده، وقت گرفته و گذاشتتش توی تقویم؛ همهش زیر پنج دقیقه.
گوگل امروز حالت Task (انجام کار) رو با مدل تازهٔ Gemini 4 Hydrogen برای صدها میلیون نفر رایگان کرد. کافیه روی صفحهٔ اول اپ، کلید رو از Chat (گفتوگو) بزنید روی Task. یه نمونهٔ دیگه: Gemini قبض برق ۳۸۹ دلاری رو بررسی کرده و فهمیده مقصر پمپ حرارتیه که ساعت ۴ عصر، درست وسط ساعت گرونی برق، روشن میشده.
فعلاً فقط آمریکا، ژاپن، کره، کانادا، استرالیا و هند. قبل از زدن دکمهٔ خرید هم ازتون تأیید میگیره.
#جمینای #هوش_مصنوعی #گوگل
🔗 اطلاعیه رسمی
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
خطهای کج جزوهٔ دستنویستون رو صاف میکنه و توی ضبط کلاس نشون میده کی چی گفته!
✍️ جزوهای که سر کلاس تندتند نوشتید و خطهاش کج شده، حالا با یه لمس صاف میشه و شکل دستخطتون هم عوض نمیشه. Notewise نسخهٔ 4.2 رو داده و این فقط یکی از تغییراتشه.
دور یه کلمه یا فرمول دستنویس خط بکشید تا توضیحش رو بگیرید و همونجا سؤال بعدی رو بپرسید. ضبط کلاس یا جلسه هم حالا Speaker Identification (تشخیص گوینده) داره؛ یعنی متن پیادهشده نشون میده کی چی گفته و زمان هر جمله با صدا هماهنگه. اگه یه مرحله از حل مسئله جا افتاده، Insert Space (باز کردن جا) بین خطها جا باز میکنه، بیاینکه کل صفحه رو جابهجا کنید.
توی پلن رایگان هم دیگه میشه دستنویس، متن تایپی، صدای ضبطشده و PDF رو کنار هم توی یه یادداشت داشت. فقط حواستون باشه بخشهای هوش مصنوعی با اعتبار حساب میشن.
🔗 لینک ابزار
🔗 معرفی نسخهٔ 4.2
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
ربات انساننمای شیائومی یه شیفت کامل ۸ ساعته توی کارخونه کار کرد و وسطش دو بار خودش رفت شارژ شد
🤖 یه همکار تازه رو تصور کنید که از اول تا آخر شیفت پای ایستگاهش وایمیسه، قطعهها رو جدا میکنه و هر وقت باتریش ته کشید، خودش پا میشه میره شارژ میشه. شیائومی میگه ربات انساننماش همین کار رو توی کارخونهٔ خودروش کرده.
لی جون، مدیرعامل #شیائومی، امروز توی نشست مدیران اپک توی شنزن گفت این ربات یه شیفت کامل ۸ ساعته کار کرده و وسطش دو بار خودش رفته شارژ شده. کارش جدا کردن قابهای کناری کنسول وسط ماشین بوده و به گفتهٔ شیائومی، کل نیاز روزانهٔ همون ایستگاه رو پوشونده، خطاهای کارش رو خودش درست کرده و با بقیهٔ خط تولید هماهنگ بوده.
البته شیائومی خودش هم اسمش رو گذاشته تأیید اولیه؛ نه گفته چند تا ربات پای کارن، نه سرعتشون رو با کارگر مقایسه کرده.🏭
🔗 رویترز
🔗 فوتو نیوز
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
چطور Qwen3-TTS یاد گرفت لحنش رو از متن بگیره، نه از نمونهی صدا؟
🎙️ مدلهای #شبیه_سازی_صدا معمولاً علاوه بر رنگ صدا، لحن نمونه رو هم کپی میکنن. اگه نمونهای که میدید خشک باشه، متن پرهیجان هم بیروح خونده میشه.
تیمی از Alibaba و دانشگاه نانجینگ با سه مرحله Post-training (آموزش تکمیلی) به Qwen3-TTS یاد دادن لحن رو از خود متن بگیره: اول DPO (بهینهسازی مستقیم با ترجیحها)، بعد یادگیری تقویتی با چند امتیاز همزمان، آخر هم یادگیری از نسخهی پرحس خود مدل. امتیاز احساس روی محک Emergent TTS-Eval از ۱۸.۵ به ۸۱.۲ رسیده و با نمونهی صدای خشک، شنوندهها توی ۶۷.۴ درصد موارد مدل جدید رو ترجیح دادن.
البته شباهت به صدای اصلی کمتر شده و این بدهبستون هنوز حل نشده.
#تبدیل_متن_به_گفتار
🔗 لینک مقاله
🔗 صفحه پروژه
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
🎁 نتایج «جوایز روزانه» دیجینت مشخص شد!
بازه: روزانه — دیروز · 27 آبان 1405
رتبه 1: سجاد حسینی — مبلغ 200 هزار تومان به صورت نقدی
رتبه 2: لاله فراهانی — مبلغ 150 هزار تومان به صورت نقدی
رتبه 3: امیررضا جهان پناه — مبلغ 100 هزار تومان به صورت نقدی
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
مایکروسافت اولین مدل صدا به صدای خودش رو آورد
🎙️ #مایکروسافت دیروز توی رویداد Ignite اولین مدل Speech-to-Speech (صدا به صدا) خودش رو معرفی کرد: MAI Realtime 1. یعنی صدای شما رو مستقیم میشنوه و با صدا جواب میده؛ اونم با قیمت پایهٔ دقیقهای یه سنت.
فرقش رو وقتی حس میکنید که وسط حرفش بپرید. ساکت میشه و گوش میده. یه «آهان» یا «باشه»ی کوتاه رو هم میفهمه و صبر میکنه حرفتون تموم شه. سر و صدای اطراف رو از درخواست شما جدا میکنه و برای سؤالهای سختتر، بدون مکث ناجور، از یه موتور استدلال قویتر کمک میگیره.
فعلاً توی Preview (پیشنمایش) با دسترسی محدوده و عددهای مقایسه با GPT Realtime 2.1 رو هم خود مایکروسافت داده. فهرست زبانها هنوز اعلام نشده.
🔗 اطلاعیه رسمی
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
متن ترانهتون رو بدید، آهنگش رو میسازه و همون آهنگ رو موزیکویدیوی کامل تحویلتون میده
یه ترانه نوشتید، ولی نه آهنگسازی بلدید، نه پول استودیو و فیلمبردار دارید؟ 🎤
شرکت Perfect Corp، سازندهٔ اپهای YouCam، یه #ابزار تازه به اسم YouCam Muse راه انداخته. متن ترانه یا ایدهتون رو میدید و زیر ۶۰ ثانیه یه آهنگ کامل تحویل میگیرید، با صدای خواننده یا بیکلام. بعد همون آهنگ یا آهنگی که خودتون ساختید رو آپلود میکنید و یه #موزیک_ویدیو کامل میگیرید. اول یه Storyboard (نقشهٔ صحنهبهصحنه) جلوتون میذاره که هر صحنهش رو میتونید عوض کنید یا دوباره بسازید و خروجی آخر 1080p (فول اچدی) هست. شخصیتها هم از شات اول تا آخر همون چهره و همون لباس رو دارن.
فعلاً فقط نسخهٔ وب و اپ iOS داره و اعتبار حسابتون بین هر دو مشترکه.
🔗 منبع خبر
🔗 لینک ابزار
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
وسط گفتوگو بگید چی میخواید، فایلش همونجا کنارتون باز میشه!
تا حالا شده از Copilot یه متن خوب بگیرید و بعد کلی وقت بذارید کپیش کنید توی Word و دوباره صفحهآراییش کنید؟ 😅 #مایکروسافت ۱۷ نوامبر این دوبارهکاری رو از سر راه برداشت.
حالا Word و Excel و PowerPoint مستقیم توی خود اپ Copilot هستن. مثلاً مینویسید «از یادداشتهای جلسهٔ امروز یه گزارش مرتب دربیار» و یه فایل Word همونجا کنار گفتوگو باز میشه. بعد یا با یه جملهٔ دیگه عوضش میکنید، یا خودتون کلیک میکنید و دستی مینویسید. جدول بودجه توی Excel و اسلاید ارائه توی PowerPoint هم همینطوری ساخته میشه و همکارتون هم همزمان میتونه روی همون فایل کار کنه.
🔗 منبع خبر
🔗 اطلاعیهٔ رسمی Copilot
🔗 لینک ابزار
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets
OpenAI دو تا مدل تازه داد؛ GPT-6.2 Astra برای کارای سنگین، Sol برای کارای روزمره و هر دو ارزونتر از قبل
🚀 OpenAI تازه دو تا مدل جدید معرفی کرد: GPT-6.2 Astra برای پروژههای سخت و GPT-6.2 Sol برای کارای هر روز. حرف اصلیشون اینه که با هزینهٔ کمتر، کار بیشتری تحویلتون میدن.
Astra حالا اسلاید و سند و فایل اکسلی میسازه که کمتر بوی هوش مصنوعی میده. یه اسکرینشات (عکس صفحه) از قالب ارائهتون بدید، رنگ و چیدمان و حتی اندازهٔ فونت رو مو به مو تقلید میکنه. Sol هم توی کارای روزمره، مثل پیدا کردن خونهای که به بودجه و مسیر کارتون بخوره، از GPT-6 Astra قبلی بهتر جواب داده، اون هم با حدود یکهفتم هزینه.
فعلاً فقط اشتراکهای پولی مثل Plus و Pro بهش دسترسی دارن. خود #OpenAI هم قبول کرده این مدلها گاهی یادشون میره بگن یه فایل یا ابزار پیدا نشده.
🔗 اطلاعیه رسمی OpenAI
🔗 گزارش Artificial Analysis
❤️ قدرت گرفته از قلب تپنده واحد هوش مصنوعی مصاف
🆔 @Masaf_Ai
🆔 @DgNets