CCTest · Blog
Kandinsky 6.0 Video:让视频生成同时具备画面、声音与口型同步
多模态
cctest.ai
多模态

Kandinsky 6.0 Video:让视频生成同时具备画面、声音与口型同步

Kandinsky 6.0 Video 是一组面向文本或图像输入的音视频生成模型,可输出带有同步 44 kHz 音频和唇形匹配的 5 秒视频。其核心是连接视频与音频生成流的双流 CrossDiT 架构,并以开源方式发布代码、权重和 Diffusers 集成。

阅读全文
CCTest · Blog
SpatialBlock:用“堆积木”训练视觉语言模型的空间智能
多模态
cctest.ai
多模态

SpatialBlock:用“堆积木”训练视觉语言模型的空间智能

SpatialBlock提出一种受人类空间认知启发的训练路径:先让视觉语言模型学习合成的积木堆叠任务,再迁移到真实场景空间推理。其核心数据集SpatialBlock-15k覆盖三维投影、视角变化和结构组合,并通过颜色线索引导模型建立空间锚点。

阅读全文