This media is not supported in your browser
VIEW IN TELEGRAM
✨ مدل Wan2.2-S2V
مدلی با ۱۴ میلیارد پارامتر برای ساخت ویدئوهای سینمایی از روی یک تصویر و یک فایل صوتی 🎬🎵
ویژگی‌ها:
✅ چهره و حرکات طبیعی
✅ همگام‌سازی دقیق صدا و تصویر
✅ کنترل ژست، احساسات و پس‌زمینه با متن
✅ پشتیبانی از سناریوهای پیچیده و جلوه‌های سینمایی
🔓 اوپن‌سورس + دمو آنلاین
#هوش_مصنوعی #AI #Wan #VideoAI
@asrgooyeshpardaz
مدلی با ۱۴ میلیارد پارامتر برای ساخت ویدئوهای سینمایی از روی یک تصویر و یک فایل صوتی 🎬🎵
ویژگی‌ها:
✅ چهره و حرکات طبیعی
✅ همگام‌سازی دقیق صدا و تصویر
✅ کنترل ژست، احساسات و پس‌زمینه با متن
✅ پشتیبانی از سناریوهای پیچیده و جلوه‌های سینمایی
🔓 اوپن‌سورس + دمو آنلاین
#هوش_مصنوعی #AI #Wan #VideoAI
@asrgooyeshpardaz
👌5❤2
🎬 عامل VISTA — عامل هوش مصنوعی گوگل برای بهبود ویدیوهای تولیدی! 🚀
گوگل و دانشگاه ملی سنگاپور (NUS) از VISTA رونمایی کردند — نخستین سامانه چندعاملی (Multi-Agent System) که به‌صورت خودکار متنِ پرامپت کاربر را بازنویسی و کیفیت ویدیوهای تولیدی را به‌طور چشمگیر ارتقا می‌دهد.
💡 ویژگی منحصربه‌فرد:
عامل VISTA نه‌تنها متن را اصلاح می‌کند، بلکه ویدیو (🎬)، صوت (🔊) و زمینه‌ی معنایی را به‌صورت هم‌زمان بهینه می‌سازد.
🧠 مکانیزم عملکرد:
1️⃣ برنامه‌ریزی صحنه‌ها بر اساس زمان‌بندی
2️⃣ انتخاب بهترین خروجی از طریق رقابت جفتی (pairwise tournaments) ⚔️
3️⃣ سه عاملِ منتقد، کیفیت هر بُعد را تحلیل می‌کنند
4️⃣ مرحله‌ی «تفکر عمیق» (Deep Thinking) پرامپت را بازنویسی و بهبود می‌دهد
📈 نتایج چشمگیر:
✅ در ۶۰٪ از مقایسه‌ها، ویدیوهای VISTA از مدل‌های پیشرفته‌تر (SOTA) بهترند
✅ در ارزیابی انسانی، ۶۶.۴٪ از کاربران ویدیوهای VISTA را ترجیح دادند
✅ حتی مدل‌های ضعیف‌تر (مثل Veo 2) نیز با آن عملکردی بسیار بهتر دارند
🔬 آزمایش‌ها نشان می‌دهند VISTA می‌تواند پیوسته و به‌صورت خودکار کیفیت ویدیوها را به سطح خلاقانه‌تری برساند.
📄 مقاله:
https://arxiv.org/abs/2510.15831
#AI #Google #VISTA #Text2Video #GenerativeAgents #VideoAI
—
@asrgooyeshpardaz
گوگل و دانشگاه ملی سنگاپور (NUS) از VISTA رونمایی کردند — نخستین سامانه چندعاملی (Multi-Agent System) که به‌صورت خودکار متنِ پرامپت کاربر را بازنویسی و کیفیت ویدیوهای تولیدی را به‌طور چشمگیر ارتقا می‌دهد.
💡 ویژگی منحصربه‌فرد:
عامل VISTA نه‌تنها متن را اصلاح می‌کند، بلکه ویدیو (🎬)، صوت (🔊) و زمینه‌ی معنایی را به‌صورت هم‌زمان بهینه می‌سازد.
🧠 مکانیزم عملکرد:
1️⃣ برنامه‌ریزی صحنه‌ها بر اساس زمان‌بندی
2️⃣ انتخاب بهترین خروجی از طریق رقابت جفتی (pairwise tournaments) ⚔️
3️⃣ سه عاملِ منتقد، کیفیت هر بُعد را تحلیل می‌کنند
4️⃣ مرحله‌ی «تفکر عمیق» (Deep Thinking) پرامپت را بازنویسی و بهبود می‌دهد
📈 نتایج چشمگیر:
✅ در ۶۰٪ از مقایسه‌ها، ویدیوهای VISTA از مدل‌های پیشرفته‌تر (SOTA) بهترند
✅ در ارزیابی انسانی، ۶۶.۴٪ از کاربران ویدیوهای VISTA را ترجیح دادند
✅ حتی مدل‌های ضعیف‌تر (مثل Veo 2) نیز با آن عملکردی بسیار بهتر دارند
🔬 آزمایش‌ها نشان می‌دهند VISTA می‌تواند پیوسته و به‌صورت خودکار کیفیت ویدیوها را به سطح خلاقانه‌تری برساند.
📄 مقاله:
https://arxiv.org/abs/2510.15831
#AI #Google #VISTA #Text2Video #GenerativeAgents #VideoAI
—
@asrgooyeshpardaz
arXiv.org
VISTA: A Test-Time Self-Improving Video Generation Agent
Despite rapid advances in text-to-video synthesis, generated video quality remains critically dependent on precise user prompts. Existing test-time optimization methods, successful in other...
❤4🔥2🤝1
This media is not supported in your browser
VIEW IN TELEGRAM
⭐️ شرکت Tavus از Griffin رونمایی کرد؛ مدلی برای مکالمه زنده صوتی‌ـ‌تصویری که به‌گفته سازنده، نخستین مدل موفق در «آزمون تورینگ ویدئویی» است.
🧑💻 نتیجه آزمایش
در این آزمایش، ۵۴ نفر بدون اطلاع از هوش مصنوعی‌بودن طرف مقابل، حدود یک دقیقه با Griffin-Lite تماس تصویری داشتند. در پایان، ۲۶ نفر تصور کردند با یک انسان واقعی صحبت کرده‌اند. Tavus می‌گوید نرخ سیستم‌های قبلی کمتر از ۳٪ بوده است.
🎥 مکالمه Full-Duplex
مدل Griffin می‌تواند هم‌زمان صحبت‌های کاربر را ببیند و بشنود، حرف بزند و به نشانه‌های کلامی و غیرکلامی واکنش نشان دهد. بنابراین تعامل آن بیشتر شبیه تماس تصویری است تا فرایند نوبتی «سؤال و پاسخ».
🏆 عملکرد در بنچمارک NVIDIA
نسخه Griffin-Lite در بنچمارک VideoFDB انویدیا برای هوش مصنوعی ویدئویی Full-Duplex رتبه اول را کسب کرده است. این ارزیابی واکنش‌هایی مانند تماس چشمی، گوش‌دادن، قطع‌شدن صحبت و رفتارهای غیرکلامی را بررسی می‌کند.
🔗 معرفی Griffin
🔗 توییت اصلی
#AI #Tavus #Griffin #VideoAI #ConversationalAI
🆔 @asrgooyeshpardaz
🧑💻 نتیجه آزمایش
در این آزمایش، ۵۴ نفر بدون اطلاع از هوش مصنوعی‌بودن طرف مقابل، حدود یک دقیقه با Griffin-Lite تماس تصویری داشتند. در پایان، ۲۶ نفر تصور کردند با یک انسان واقعی صحبت کرده‌اند. Tavus می‌گوید نرخ سیستم‌های قبلی کمتر از ۳٪ بوده است.
🎥 مکالمه Full-Duplex
مدل Griffin می‌تواند هم‌زمان صحبت‌های کاربر را ببیند و بشنود، حرف بزند و به نشانه‌های کلامی و غیرکلامی واکنش نشان دهد. بنابراین تعامل آن بیشتر شبیه تماس تصویری است تا فرایند نوبتی «سؤال و پاسخ».
🏆 عملکرد در بنچمارک NVIDIA
نسخه Griffin-Lite در بنچمارک VideoFDB انویدیا برای هوش مصنوعی ویدئویی Full-Duplex رتبه اول را کسب کرده است. این ارزیابی واکنش‌هایی مانند تماس چشمی، گوش‌دادن، قطع‌شدن صحبت و رفتارهای غیرکلامی را بررسی می‌کند.
🔗 معرفی Griffin
🔗 توییت اصلی
#AI #Tavus #Griffin #VideoAI #ConversationalAI
🆔 @asrgooyeshpardaz
🤯8❤1🔥1