腾讯推出的M2UGen是一款多模态音乐生成框架，结合音乐和多模态任务，支持从文字、图像、视频生成音乐，并具备强大的编辑功能。
2024年，是平台竞争白热化的一年，也是品牌直播多平台铺开的一年。
图源备注：图片由AI生成，图片授权服务商Midjourney
CoMoSVC实现歌声转换的过程包括几个关键步骤。首先，它设计了一个基于扩散的教师模型，通过学习大量的歌声数据，这个模型能够理解和模仿不同歌手的声音特征。接着，利用自我一致性属性，CoMoSVC进一步提炼出一个学生模型，简化了模型结构，以便于快速有效地进行声音转换。
它不仅可以从图片中提取信息并回答问题，还可以将图片转化为JSON格式。LLaVA还可以识别验证码、识别图中的物体品种等，展现出了强大的多模态能力。在性能上接近GPT-4的情况下，LLaVA具有更高的成本效益，训练只需要8个A100即可在1天内完成。