Ну, за разметчиков.

Вот мы читаем "модели распознавания видео". А как это?

А вот так. Довольно залипательный процесс просмотра того, как модель расшифровывает в своих нейромозгах видео в текст. Находка тут в том, что все это в виде чата.

Более того, можете сами попробовать на своих видео или на кожаном лице через веб-камеру.
https://moondream.ai/solutions/analyze-live-video

Я попробовал, он слишком часто определяет улыбку, хорошо детектит зтм, то есть переходы в черное, но когда на экране появляется UI софта, он такой ... эээ.
Ну то есть хорошо натренирован на стримах с кожаными.

P.S. Тут будет отсылка к моему посту про монтаж. Все эти ИИ-монтажеры и новомодные ИИ-фичи для видео действуют на основе текстовых тригеров из расшифровки: ну то есть ИИ-монтаж идет по тексту, а не по картинке. А это все равно, что слепого посадить за монтажку и рассказывать ему голосом, что там происходит. Что-то получится конечно, но до хорошего монтажа будет далеко.

@cgevent

Полезное. Семичасовой курс от MIT по генеративному ИИ. От LLM до диффузионок.

https://www.youtube.com/playlist?list=PLXV9Vh2jYcjbnv67sXNDJiO8MWLA3ZJKR

@cgevent

Просто новость:

Технический директор Intel и руководитель подразделения искусственного интеллекта уходит из компании, чтобы присоединиться к OpenAI, проработав всего шесть месяцев на этой должности.

Написал в твитторе: "Предвкушаю возможность поработать с Брокманом, генеральным директором OpenAI Сэмом Альтманом и другими сотрудниками компании над созданием вычислительной инфраструктуры для AGI!"

Рано или поздно OpenAI превратится в хардверную компанию...

https://www.theregister.com/2025/11/11/intel_ai_cto_quits_joins_openai/

@cgevent

Ух ты, Meta (запрещённая в России) наконец подняла веки и разродилась супер распознавалкой речи на 1600 языках! Omnilingual ASR.

- Базовая модель: wav2vec 2.0 (на первой версии мы делали распознавание кипрского, на неделе выложим уже), масштабированная до 7B параметров
- Два варианта декодера: традиционный CTC и трансформер.
- LLM-подход даёт in-context learning – можешь дать несколько примеров аудио-текст пар и получить рабочее качество транскрипции без тренировки! Вау!

Результаты:
- Character Error Rate (CER) ниже 10% для 78% языков
- State-of-the-art качество на всех 1,600+ языках
- Можно добавить новый язык на лету без переобучения

Выложили:
- Весь набор моделей от лёгких 300M (для мобильных устройств) до мощных 7B
- wav2vec 2.0 foundation model для других задач со звуком, типа распознавания эмоций или разметки.
- Omnilingual ASR Corpus – крупнейший датасет спонтанной речи на 350 низкоресурсных языках
- Всё под Apache 2.0 и CC-BY лицензиями, можно применять для чего угодно.

Работали с локальными организациями по всему миру, нанимали носителей языков из удалённых регионов. Партнёрились с Mozilla Common Voice, Lanfrica/NaijaVoices и другими.

Очень интересно потестить на русском. Но в целом очень-очень масштабный и полезный проект для всех стран.

GitHub: https://github.com/facebookresearch/omnilingual-asr

Статья: https://ai.meta.com/blog/omnilingual-asr-advancing-automatic-speech-recognition/

Позалипать в демку, какие языки подключили: https://aidemos.atmeta.com/omnilingualasr/language-globe

Попробовать на своих коротких файлах: https://huggingface.co/spaces/facebook/omniasr-transcriptions

Нейропрожарка (myFilm48)

Элизабет Генералова. Проект: «BALI-VERSE: 96 hours left»

🥈 Видео заняло 2-е место на конкурсе myfilms48 (Бали) среди профессионалов.
По условиям нужно было за 96 часов создать трейлер

Идея:
Герой приезжает на Бали за солнечными закатами и романтикой, но вместо отдыха оказывается в эпицентре мультивселенского кризиса.

У него есть 96 часов, 96 шансов и 96 вселенных, чтобы спасти свой мир.
В каждой вселенной его ждут разные испытания — от динозавров и зомби до природного апокалипсиса.

Я использовала тему мультивселенных, чтобы показать возможности ИИ в разных визуальных стилях — от реализма до аниме и даже пиксельной анимации.

🧠 Производство:
Весь ролик сделала я самостоятельно.
• Основные инструменты для видео: Runway, Seedream, Sora 2, Kling, Veo 3.1
• Доработка кадров: NanaBanana
• Монтаж: Adobe Premiere Pro
• Звук и музыка: Suno (саундтрек), ElevenLabs (озвучка) + аудиостоки
• Общий продакшн занял ~4 дня (в рамках правил конкурса).

@cgevent

Freepik: добавили ноду Camera Angle в свой бесконечный холст Spaces.

Загружаем картинку, подсоединяем к ней эту ноду, и изображение отображается на одной из сторон виртуального куба. Чтобы поменять позицию камеры, вращаем куб как нам надо. Можно вывод сделать сразу на несколько нод, чтобы каждая показывала свой угол обзора.

Под капотом Qwen Image Edit. Одна генерация 50 кредитов.

Сайт
Твит

А Grok Imagine хорош!

Композом и трехмером можно приподутомиться так сделать...

@cgevent

ElevenLabs бахнули риалтайм титровалку (Speech-to-Text) Scribe v2

Задержка 150мс, это исчезающе мало.
Распознает и помечает разных спикеров
Русский - да, 92 языка.
Можно использовать на мероприятиях, есть стриминг и АПИ.
Побивает Gemini 2.5 Flash, GPT 4o MiniTranscribe, Deepgram Nova 3 и кто там еще есть.

https://elevenlabs.io/docs/models#scribe-v2-realtime

@cgevent

GAMMA.APP

Это, пожалуй, самый успешный стартап по созданию презентаций, который может устоять перед Микрософтом и Гуглом которые встраивают ИИ в свои Паверпойнты и Гуглслайды.

У них новая версия 3.0 и они теперь генерят не только презентации, но и целые сайты и макеты для социальных сетей. Тут Канва явно нервничает.

Из интересного.

У них 100 миллионов ARR, 70 миллионов пользователей и оценка в 2.1 миллиарда(!). При этом 50 сотрудников.
Также пишут, что 1 миллион гамм создается каждый день. Даже если все это поделить на маркетинг, то все равно впечатляет.

Еще они открыли API и вот вам Промпт Гайд от них:

https://gamma.app/prompts

Из совсем любопытного - пять лет назад, когда не было никакого ИИ, они создавали Гамму как Anti-Power-Point, для создания презентаций из блоков. А по дороге переобулись в ИИ.

@cgevent