MobiLlama：0.5B 能在手機上運行的小型語言模型
TimesFM – 預訓練時間序列基礎模型
Google Research 發佈 TimesFM，這是一個基於 Transformer 的 200M 參數基礎模型，用於時間序列預測。 TimesFM 經過近 100B 個資料點的訓練，具有零樣本預測效能
這個 預訓練時間序列基礎模型（Time Series Foundation Model），可用於時間序列預測。它是一種基於 Transformer 的模型，在大量時間序列數據上進行了預訓練。TimesFM 可以用於各種時間序列預測任務，包括：
- 銷售預測
- 庫存管理
- 需求預測
- 異常檢測
- 設備故障預測
TimesFM 是由 Google Research 開發的預訓練時間序列基礎模型（Time Series Foundation Model），可用於時間序列預測。它是一種基於 Transformer 的模型，在大量時間序列數據上進行了預訓練。TimesFM 可以用於各種時間序列預測任務，包括：
- 銷售預測
- 庫存管理
- 需求預測
- 異常檢測
- 設備故障預測
TimesFM 的優點包括：
- **高準確性：**TimesFM 在許多基準測試中表現出最先進的準確性。
- **可解釋性：**TimesFM 可以提供其預測的解釋，這有助於用戶理解模型的決策。
- **可擴展性：**TimesFM 可以針對各種時間序列預測任務進行微調。
TimesFM 的工作原理是學習時間序列數據的表示。然後，它可以使用此表示來預測新數據點的值。TimesFM 使用的一種特殊技術稱為自注意力（self-attention）。自注意力允許模型學習序列中不同點之間的長期依賴關係。
TimesFM 已被用於各種應用，包括：
- **零售：**TimesFM 可用於預測零售產品的銷售額。這有助於零售商優化其庫存水平和促銷活動。
- **金融：**TimesFM 可用於預測股票價格和匯率。這有助於金融機構做出明智的投資決策。
- **製造業：**TimesFM 可用於預測機器故障。這有助於製造商防止停機和生產損失。
TimesFM 是一種強大的工具，可用於各種時間序列預測任務。它有可能在許多行業產生重大影響。
以下是一些關於 TimesFM 的其他資源：
llmware – LLM的企業級開發框架
Keyframer – Apple 推出的生成式 AI 動畫工具
它使用大型語言模型 (LLM) 來從靜態圖像生成動畫
Keyframer 的工作原理是首先將用戶的描述轉換為 LLM 可以理解的表示。然後，LLM 使用此表示來生成一組關鍵幀，這些關鍵幀定義了動畫的每個時間步長中圖像的外觀。最後，Keyframer 使用這些關鍵幀來生成動畫
Keyframer 的優點包括：
- **易用性：**用戶可以使用自然語言描述來描述他們想要的動畫，無需任何編程或動畫知識。
- **靈活性：**Keyframer 可用於生成各種不同類型的動畫，包括簡單的移動動畫和複雜的角色動畫。
- **創造力：**Keyframer 可用於創建新穎而原創的動畫。
Keyframer 的一些示例用例包括：
- 創建動畫表情符號或貼紙
- 為演示文稿或營銷材料製作動畫圖形
- 創建動畫故事板或插圖
- 原型化動畫用戶界面
Keyframer 仍在開發中，但它有可能成為動畫師、設計師和任何想要創建動畫內容的人的強大工具。
以下是一些關於 Keyframer 的其他資源：
GitHub – HIT-SCIR/huozi: 活字通用大模型
AI Directory
FMA-Net 即將推出最強模糊影片修正
RVC-Boss/GPT-SoVITS 語音合成模型
功能：
- 零樣本文本到語音（TTS）： 輸入5秒的聲音樣本，即刻體驗文本到語音轉換。
- 少樣本TTS： 僅需1分鐘的訓練數據即可微調模型，提升聲音相似度和真實感。
- 跨語言支持： 支持與訓練數據集不同語言的推理，目前支持英語、日語和中文。
- WebUI工具： 集成工具包括聲音伴奏分離、自動訓練集分割、中文自動語音識別(ASR)和文本標注，協助初學者創建訓練數據集和GPT/SoVITS模型。
如果你是 Windows用戶（已在 win>=10上測試），可以直接通過預打包文件安裝。只需下載預打包文件，解壓後雙擊 go-webui.bat 即可啓動 GPT-SoVITS-WebUI。預訓練模型
GPT-SoVITS语音克隆AI，只需一分钟素材训练模型，效果堪比商用。一键安装，附Colab脚本 | TTS | RVC|GPT-SoVITS Colab
從 GPT-SoVITS Models 下載預訓練模型，並將它們放置在 GPT_SoVITS\pretrained_models 中。
對於中文自動語音識別（另外），從 Damo ASR Model, Damo VAD Model, 和 Damo Punc Model 下載模型，並將它們放置在 tools/damo_asr/models 中。
對於UVR5（人聲/伴奏分離和混響移除，另外），從 UVR5 Weights 下載模型，並將它們放置在 tools/uvr5/uvr5_weights 中。
數據集格式
文本到語音（TTS）注釋 .list 文件格式：
vocal_path|speaker_name|language|text
語言字典：
- ‘zh’: Chinese
- ‘ja’: Japanese
- ‘en’: English
示例：
D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin.
