Мультимодальная MoE-модель Tencent для визуального понимания физической среды, рассуждений о действиях и планирования embodied-агентов.
Подходит для: ответы на вопросы об изображениях и физической среде · понимание состояния агента и окружающих объектов · планирование действий робота с учётом ожидаемых последствий
Мультимодальная модель Tencent для пространственного понимания, планирования и поддержки действий роботов по изображениям и тексту.
Подходит для: Планирование последовательности действий бытового робота · Выбор объектов и понимание их положения на изображении · Разрешение ссылок на предметы в командах пользователя
Hy-Embodied-RxBrain-1.0 объединяет языковое рассуждение и генерацию изображений для понимания сцен, прогнозирования последствий действий и визуального планирования.
Подходит для: ответы на вопросы по изображениям и многокадровому видео · рассуждение о сценах и пространственных отношениях · прогноз кадров, показывающих последствия действия
Квантованный пакет диаризации pyannote для AXERA AX650N, который размечает аудиозаписи по говорящим и выдаёт временные метки RTTM.
Подходит для: Разметка участников в записях совещаний · Определение временных границ реплик разных говорящих · Автоматическая оценка числа говорящих в аудиозаписи
Pocket-TTS.AXERA — пакет для потокового и непотокового синтеза английской речи на устройстве AXERA AX650.
Подходит для: синтез английской речи из текста на AX650 · потоковое озвучивание текста на устройстве AXERA · локальное преобразование длинного текста в речь