“O”:视频输出。2023年，我们看到了文字到视频合成的浪潮:WALT（谷歌）、EmuVideo(Meta)、Align Your Latents(英伟达)、Pika等等，数不胜数。然而，大多数生成的片段仍然很短。我将它们视为AI视频的“系统1”——“无意识”的局部像素运动。
论文网址：https://arxiv.org/pdf/2401.00431.pdf
这种一步采样的方法使得CoMoSVC在实际应用中更加实用，特别是在需要快速处理大量数据的场景下，如实时音频处理和音乐制作等领域。这项技术的出现将为音频转换带来更加高效和方便的解决方案，为人们提供更多创造和表达的可能性。
起初，它似乎很有希望。它提供了清晰的架构，选择了正确的框架，甚至将代码整齐地结构化。但兴奋是短暂的，因为它生成的代码不够好，我无法使应用程序启动。
它确实生成了一些我可以使用的代码，但经常忽略了我的一些建议，或者删除了它之前添加的功能。它需要大量的辅助和细节注意，没有节省我太多的时间。