Команда MOSS: AMA о семействе моделей для генерации изображений, речи и аудио

Разработчики из Шанхая и Фуданьского университета представляют семейство моделей MOSS, включая генератор изображений MOSS-Image на базе DiT и линейку инструментов для синтеза речи и звука. Команда отвечает на вопросы о своих исследованиях в области мультимодального ИИ, охватывающих понимание и генерацию аудио, видео и визуального контента.