Pinwan氏によると、Arxivのページには、Alibabaが最近Qwen-Audioという音声言語モデルをリリースしたことが示されている。 このモデルは、音声言語の事前学習を拡張して、30以上のタスクと、人間の声、自然の音、音楽、歌などのさまざまな音声タイプをカバーすることで、普遍的な音声理解を実現するように設計されています。 調査によると、Qwen-Audioは、タスク固有の微調整を必要とせずに、幅広いベンチマークタスクで大幅なパフォーマンスを達成しています。

10月24日、タイム誌は、私たちの生活を変える200のイノベーションを含む「ベストインベンション2023」リストを発表しました。 その中から、AdobeのPhotoshopのGenerative ExpandとGenerative Fill、OpenAIのGPT-4とDall-E 3、Runway Gen-2、Meta SeamlessM4T、Stable Audioなど、AIの分野で合計14のプロジェクトが選ばれました。

TechCrunch によると、9 月 13 日、Stability AI は人工知能音楽ジェネレーターである Stable Audio の発売を発表しました。 Stable は、これが潜在拡散と呼ばれる技術を通じて商用目的で「高品質」の 44.1 kHz 音楽を作成できる最初のツールであると主張しています。スタビリティ氏は、オーディオ ファイルの長さと開始時間だけでなく、オーディオ メタデータをトレーニングすることにより、以前にリリースされた生成音楽ツールと比較して、Audio Diffusion の基礎となるモデルには約 12 億のパラメータがあり、オーディオのコンテンツとコンテンツを合成できると述べました。間隔。 1 年前、Stability AI はひっそりと Dance Diffusion をリリースしましたが、その後、Stability AI がモデルの作成に資金を提供した研究機関 Harmonai が Dance Diffusion の更新を停止しました。本日発売されたStable AudioはHarmonaiだけが開発したものではありません。 4 月に正式に立ち上げられた Stability のオーディオ チームは、Stable Audio の基礎として Dance Diffusion からインスピレーションを得た新しいモデルを作成し、その後 Harmonai によってトレーニングされました。現在、Stable Audio は Web アプリを通じてのみ利用できます。また、Stability は、Stable Audio の背後にあるモデルをオープンソースとしてリリースする計画も発表していません。

キム・アーゼンドルフ: 催眠術をかけるために設計された NFT アートを作成するメタリカのビデオ ディレクター デジタル表現主義者でありインターネットアート出身のキム・アーゼンドルフは、最新のNFTドロップ「Colors of Noise」を明らかにしました。 Feral File プラットフォーム用に Peggy Schoenegge によってキュレーションされた、50 点のユニークなアートワークのシリーズは、それぞれ 0.25 ETH で入手できます。 Asendorf は、Web Audio API を使用してホワイト ノイズを生成し、アニメーションを作成することで、彼のキャリアで初めてビジュアル アートとオーディオ アートを組み合わせました。