arXiv NLP·7 天前★ 2
X-Dubbing 提出受时间与视觉约束的语音到语音翻译配音方案
原文标题：X-Dubbing: Speech-to-Speech Translation under Temporal and Visual Constraints
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
AI 智能摘要
论文提出 X-Dubbing，将跨语言配音拆解为时间感知的语音转文本翻译与视频感知的文本转语音两个联合问题，由配音翻译器生成时间结构化脚本、配音演员模型同步渲染。方法无需成对配音数据，在等时性与音画一致性等指标上优于近期基线。
阅读原文 +0
AI 处理过程展开/收起
原始标题：X-Dubbing: Speech-to-Speech Translation under Temporal and Visual Constraints
AI 中文标题：X-Dubbing 提出受时间与视觉约束的语音到语音翻译配音方案
来源：arXiv NLP · 发布于 7 天前
分类：多模态 · AI 重要度：★ 2（2）
标签：语音翻译 / 视频配音 / 语音合成 / 多模态
关键词：语音翻译 / AI 配音 / 语音合成 / 多模态 / 视频翻译
AI 处理：2026/10/26 12:01:29 · 模型 deepseek-chat · 规则版本 2026-10-21.1
相关推荐
InfoQ AI·3 天前★ 4
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
#多模态
The Verge AI·6 天前★ 4
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
#多模态
TechCrunch AI·6 天前★ 4
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
#多模态
Hacker News – AI·12 天前★ 4
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。
#多模态