Iepriekšējā cīņa · 2025-02-07 UTC
Multimodal AI Sadursme — 2025. gada 7. februāris
No Multimodal AI kategorijas. 19 atzīmes izvietotas starp 5 cīnītājiem. Omniverse Audio2Face izcīnīja kroni.
Gala rezultāti
Sastāvs
Cīnītāji
Katra rīka profili, kas piedalījās šajā cīņā, sarindoti pēc to gala rezultāta.
Omniverse Audio2Face
NVIDIA AI vadīts rīks reāllaika, balss sinhronizētas 3D sejas animācijas ģenerēšanai
Omniverse Audio2Face ir NVIDIA lietojumprogramma, kas automātiski ģenerē 3D sejas animāciju no audio avota. Izmantojot iepriekš apmācītu dziļās mācīšanās neironu tīklu, tas analizē balss ievadi un vadīt sejas izteiksmes, balss sinhronizāciju un emocijas 3D tēlu reāllaikā, izslēdzot daļu no manuālās keyframe animācijas, kas parasti ir nepieciešama animācijas ķēdēs. Rīks darbojas NVIDIA Omniverse iekšpusē un atbalsta eksportēšanu uz standarta DCC platformām, piemēram, Maya, Unreal Engine un Blender, izmantojot formātus kā USD un blendshapes. Tas darbojas ar pielāgoto rakstzīmju mesh, izmantojot retargeting darba plūsmu, padarot to noderīgu spēļu izstrādātājiem, animētājiem, virtuālās produkcijas komandām un radītājiem, kas izveido digitālus cilvēkus vai interaktīvus avatarus. Audio2Face atbalsta gan offline apstrādi cinēmatiskai darbībai, gan tiešsaistes straumēšanu interaktīvām lietojumprogrammām, ar pielāgojamu emociju kontroli un daudzvalodu audio apstrādi.
Kritēriju sadalījums
- Audio vadīta sejas animācija, izmantojot dziļās mācīšanās tehnoloģiju
- Reāllaika balss sinhronizācija un emociju kontrole
- Rakstzīmju pārsūtīšana uz pielāgotiem mesh
- Blendshape un USD eksporta kanāli
- Tiešsaistes straumēšanas režīms interaktīviem avataros
- Daudzvalodu balss ievades atbalsts
Humane AI Pin ir mazs, magnētiski pievienojams ģitara, kas lieto balsi, gestus un laser projicēto ekrānu, lai sniegtu palīdzības stiliem raksturu interakcijas bez tradicionāla ekrāna. Tā piesaista iekšlietu kameru, mikrofonu un sensorus lielo valodas modeļu arī lai atbalsuotu jautājumus, tulkoja valodas, foci fotoattasainus, saskaņojo izvadu ziņojumus un identificētu objektus, kuru redzams. Tas tāds kā pamatiede, šis Pin iecerēts, lai samazinātu atkarību no mobilo lietotāju, izrādot informāciju tikai tad, kad to vajag. Tas darbojas ar savu mobilās saites plānu, nešķēlīgi saistīts ar smartphones un atbalsta dabīgas valodas pavadošanas lielumus, nevis aplikācijas. Produktu šĀja laikā saņēma daļēju kritiku sakarā ar bateriju ilguma, slodzes un tikšanības jautājumiem, un Humane vēlāk ajustēja saviem plāniem. Tas tagad ir pazīstams kā viena no pirmajām, brīvām eksperimentiem standalone, AI-pirmatadora hardvariņā.
Kritēriju sadalījums
- Balss vadīts AI asistents
- Lāzera krāsains projekcijas ekrāns uz roku
- Reāllaika valodu tulkošana
- Fotogrāfiju un īsā video uzņemšana
- Kontekstuāla objekta un scenas atpazīšana
- Atsevišķs mobilais datu plāns
Project Astra
Google DeepMind universālais AI aģents, kas redz, dzīv, un domā par pasauli reālajā laikā.
Projecta Astra ir eksperimentāla vispārēja asistents ar inteliģentu no Google DeepMind, kas paredzēts atbalstam vidusdaiļošanas uzdevumos, saprotot pasauli, tādu pašu kā cilvēki. Tas apstrādā video, audio, attēlus un tekstu savlaik, ļaujot lietotājiem norādīt kameru vai runāt savdabiski un saņemt konteksta izprotāmu atbilde. Iepazīsties ar Project Astra, kas ir būvēts uz Google Gemini modeliem. Astra ir paredzēts augstas ātrumīgas, bezsaistes sarunām, kas atjaunina pieredzi un atcerpjas nedēļas laika kontekstu. Projekta galvenais mērķis ir veikt pētījumu, lai varētu izaudzināt vispārēju agentu, kas var darboties bezdarbīgi ar smartfoniem, smart glazēm un citiem tīkliņiem. Cīnībā par publisko pieteikumu tas vēl nav, taču Astra rāda Google plānu kādai pakļautās AI, kas var novērot apkārtējo vidi, atcerēties to, ko jau ir redzējuša, un ņemt efektīvas darbības lietotāja biedraudaudz.
Kritēriju sadalījums
- Tiešsaistes video un attēlu izpratne
- Balss bazēts sarunvalodas interfēiss
- Pastāvīga konteksta atmiņa
- Multimodāla argumentācija teksta, audio un vizuālo ziņās
- Integrācija ar Gemini modeļu saimi
- Prototipa atbalsts smartbrillēm un tālrunim
Hume AI
Emocionāli inteliģents balss AI, kas runā un klausās ar cilvēka līdzīgu niansēm
Uzvedis Hume AI attīstītu valodas modelis, kas spēj atpazīt un uzreakciju uz izziņas signaliem, kas ir redzami cilvēka runas. Tā galvenais produkts, komponētais Empatiska Runas Interfejsa (ERI), saīsināta runas sintēze kombinētās ar reāllaika analīze jūtas, prozodijas un priekšstati, nodrošinot diskusijas, kas ir priekšroku par parastajām runas asistentēm. Izstrādātāji var piekļūt Humes varietātēm caur API un SDK, lai būvētu lietotniņus, kas ir saistīti ar psihišu veselibas atbalstu, klientu atbalsta, pieejamību un interaktīvu iekļaušanos. Platforma arī piedāvā izrazīšanas novērojumu iekārtas, lai analizētu emocionālas signālus skani, lāsītu, un valodas datiem. Hume savienušosies apātē pie atbildības aizņemtības, publicējot pētījumus par sajūtu datorzinātni un sekoto informāciju par etisko norīkojumu attiecībā uz emocionālu AI lietošanu.
Kritēriju sadalījums
- Empathic Voice Interface (EVI)
- Izteiksmes mērīšana balss, sejas un teksta
- Pielāgotas balss personības
- Zemas aizkavēšanās sarunu straume
- REST un WebSocket APIs
- Iekšējās ētikas lietošanas vadlīnijas un dokumentācija
Alaya AI
Web3 datu tirgus, kas savieno AI izstrādātājus ar globāliem veidotājiem, izmantojot spēlveida stimulus.
Alaya AI ir decentralizēta platforma, kas savieno AI modeļu izstrādātājus ar izkliedētiem datu piegādātājiem caur Web3 kopienas struktūru. Tā fokusējas uz dažādu, augstas kvalitātes mācību datu iegūšanu mašīnmācībai, piesaistot globālu veidotāju tīklu, kas marķē, pārbauda un iesniedz datu kopas. Platforma izmanto spēlveida elementus, tokenus un NFT, lai motivētu līdzdalību, pārvēršot datu vākšanu un anotēšanu par aizraujošu aktivitāti, nevis ikdienas uzdevumu. Veidotāji pelna atlīdzības atkarībā no darba kvalitātes un apjoma, kamēr izstrādātāji iegūst piekļuvi mērogojamiem, daudzveidīgiem datu kopumiem, piemērotiem nišas vai kultūrvēsturīgi specifisku modeļu apmācībai. Apvienojot blockchain caurspīdīgumu ar sociālo pūļa inteliģenci, Alaya AI cenšas padarīt AI datu plūsmas taisnīgākas, pārskatāmākas un pieejamākas mazākām komandām, kurām trūkst lielu iekšējo marķēšanas resursu.
Kritēriju sadalījums
- Decentralizēta datu vākšanas un marķēšanas tīkls
- Tokenu un NFT balstīta atlīdzību sistēma
- Spēlveida uzdevumi un kopienas izaicinājumi
- Pūļa inteliģence izkliedētai anotēšanai
- Atbalsts dažādām un nišas datu kopu vajadzībām
- Uz blokķēdes balstīta devu izsekošana