출처, 주제, 시간으로 전체 뉴스에서 관심 소식을 찾아보세요.
arXiv:2610.33008v1 발표 유형: 신규 초록: 확산형 대규모 언어 모델(dLLMs)은 반복적인 마스킹 디노이즈를 통해 유연한 생성을 가능하게 하지만, 디노이즈 단계마다 토큰 표현을 여러 번 재계산해야 하므로 추론 비용이 상당히 발생합니다. 기존의 캐시 기반 방법들은 디노이즈 단계들 간에 중간 결과를 재사용하고, 각 단계에서 고정된 일정이나 변화를 나타내는 휴리스틱 신호에 따라 선택된 일부 위치만 다시 계산함으로써 이러한 비용을 줄입니다. 반면, 우리의 궤적 실험에서는 해독 궤적이 더 중요한 지표임을 보여줍니다. 캐시를 활용한 생성은 전체 디노이즈 궤적에 가까울 때 정확도가 유지되며, 오차는 주로 마스킹 순서의 변동 부근에 집중되고, 긴 참조 접두사가 복구될수록 감소합니다. 이는 제안…
arXiv:2610.33062v1 발표 유형: 신규 초록: 통합 대규모 다중 모달 모델(ULMM)은 텍스트와 이미지를 교차하여 생성함으로써 시각적 추론을 수행할 수 있지만, 명시적인 중간 단계의 이미지를 생성하는 데에는 상당한 계산 부하가 발생합니다. 시각 잠재 공간 추론이 이 문제를 해결하긴 하지만, 기존 대부분의 방법들은 시각 생성이 불가능한 시각-언어 모델(VLM)에 의존하고 있습니다. 우리는 ULMM에서 잠재적 시각 추론을 가능하게 하는 새로운 프레임워크인 Oddin을 제안합니다. Oddin은 중간 단계의 이미지를 간결한 잠재 토큰으로 대체하며, 이 토큰은 전적으로 이해 분기에서 처리되고, 생성 분기는 최종 출력 이미지 생성에만 할당됩니다. 우리는 오프라인 자기 증류 방식을 통해 세 가지 목표로 모델을 학습시키며, 여기에는 최종 이미지 생성 손실, 텍스트 증류 손실, 그리고 크로스 엔트로피 손실이 포함됩니다.
arXiv:2610.31721v1 발표 유형: 신규 초록: 비용이 많이 드는 평가와 복잡한 제약 조건 하에서 고차원 물리 시스템을 최적화하는 문제는 과학과 공학 분야의 핵심 과제입니다. 오프라인 모델 기반 최적화(MBO)에서는 테스트 시간에 실제 목적함수에 대한 접근 없이, 고정된 데이터 세트만을 이용해 설계를 개선해야 합니다. 그러나 기존 방법들은 일반적으로 보수성 문제, 제약 없는 대리모델 활용, 또는 정밀한 물리적 목표에 맞춰 후보들을 정교하게 개선하지 못하는 정적인 추론 시점 샘플러로 작동하는 등의 한계를 안고 있습니다. 본 논문에서는 오프라인 MBO를 위한 미분 가능한 디퓨전 조건부(D2C) 방법을 제안합니다. 이 방법은 결정론적 샘플링이 역노이즈 체인을 조건부 신호에 대해 미분 가능하게 만든다는 점을 활용합니다. D2C는 …
arXiv:2610.31765v1 발표 유형: 신규 초록: 단일 참조 영상으로부터 동적 장면의 여러 영상을 생성하려면, 시점 간에 관찰된 내용과 미관찰된 내용을 일관되게 합성해야 합니다. 영상 확산을 위한 기존 카메라 제어 방법들은 일반적으로 카메라 임베딩, 시점 간 주의 메커니즘, 기하학적 조건부 등과 같은 아키텍처적 기법에 의존합니다. 이러한 접근법은 정적인 장면 콘텐츠에는 효과적이지만, 시점과 시간에 걸쳐 일관성을 유지해야 하는 세밀하고 동적인 기하학적 특성에는 종종 어려움을 겪습니다. 우리는 각 2D 이미지 평면에서 독립적으로 샘플링하는 대신, 소스 영상에서 도출된 표준적인 3D 공간에서 가우시안 노이즈 사전 분포를 샘플링하고 이를 목표 카메라로 래스터화함으로써 확산 과정 자체를 동기화합니다. 우리의 m
arXiv:2610.31819v1 발표 유형: 신규 초록: 편향적 해독은 더 빠르고 낮은 품질의 초안 모델로부터 샘플링을 수행함으로써 자동회귀형 대규모 언어 모델(LLM)의 추론 속도를 가속화하는 기법입니다. 전통적으로, 편향적 해독의 근본적인 특성은 검증자 분포에 대해 무손실이며, 품질을 희생하지 않고 속도를 보장한다는 점입니다. 이는 최근 개발된 확산형 LLM(dLLM)과는 달리, 덜한 확산 노력으로 출력의 품질을 저하시킴으로써 상당한 속도 향상을 달성할 수 있다는 점에서 차별됩니다. 확산 모델은 토큰을 병렬로 생성하여 자동회귀형 모델보다 더 빠르게 샘플링할 수 있기 때문에, 편향적 확산에서 초안 모델로서 강력한 후보로 간주됩니다. 널리…
arXiv:2610.32042v1 발표 유형: 신규 초록: 다국어 더빙은 원본 영상과 동기화된 상태로 유지되도록, 소스 음성 언어를 목표 언어의 음성으로 변환하는 것을 목표로 합니다. 이 작업의 핵심은 소스의 시간적 흐름 내에서 자연스럽게 발화 가능한 충실한 번역을 생성하는 데 있으며, 이는 언어마다 지속시간, 리듬, 조음 방식이 서로 다르기 때문에 결코 간단하지 않습니다. 본 논문에서는 이 과제를 시간 인식 기반 음성-텍스트 번역과 영상 인식 기반 텍스트-음성 변환의 복합 문제로 정식화한 X-Dubbing을 제안합니다. 구체적으로, 우리 방법은 시간 구조화된 대본을 생성하는 더빙 트랜스레이터와 이를 소스 영상과 동기 있게 구현하는 보이스 액터로 구성되며, 두 모듈 모두 언어에 독립적인 시간 예산에 기반하고 있습니다. 또한 우리는 트랜스레이터를 더욱 정교화하여 더빙…
arXiv:2610.31747v1 발표 유형: 신규 초록: 기존의 3D 대화형 아바타 방법들은 주로 3DMM이나 FLAME와 같은 파라메트릭 얼굴 모델에 의존하며, 이러한 모델들의 간결한 움직임 표현 방식은 극단적인 표정을 합성하거나 헤드웨어와 같은 액세서리를 모델링하는 데 한계를 지닌다. 우리는 파라메트릭 얼굴 모델이나 개별 인스턴스 최적화 없이, 오디오 기반 아바타 생성을 위한 중간 표현으로 생성된 다중 시점 영상을 활용하는 이중 단계 프레임워크인 AudioLift를 제안한다. 본 프레임워크는 동기화된 다중 시점 영상 생성 단계와 불일치에 강한 가우시안 재구성 단계를 결합하여, 단일 인물 사진 이미지로부터 일관된 전두부 형상을 복원한다. 광범위한 실험 결과, AudioLift는 더 많은 표현을 포착할 수 있는 3D 대화형 아바타를 생성함을 보여준다.
아폴로 글로벌 매니지먼트의 수석 이코노미스트 토르스텐 슬록은 S&P 493(스탠더드 앤드 푸어스 500에서 7대 기술 대기업을 제외한 지수)을 분석한 결과, 비기술 기업의 이익 마진이 1인당 매출과 동등하며, AI가 생산성을 높였다는 증거는 없다고 밝혔다. 그는 AI가 책임성, 신뢰, 기업 문화 등 비즈니스의 핵심 요소에 대한 이해가 부족하기 때문에 아직 재무적 성과를 창출하지 못했다고 지적했다.
추천 이유：이 주장은 주요 상장 기업 그룹(S&P 493)에 대한 실증적 관찰에 근거하며, 명확한 데이터 범위와 제한 조건을 언급하고(Alphabet, Amazon 등 7개의 기술 기업은 제외), 최근 여러 연구의 결론과도 부합하여 검증 가능한 분석 틀과 명확한 인과관계의 경계를 갖추고 있다.
Canva는 자체 개발한 최초의 AI 이미지 생성 모델인 Canva Craft를 출시했으며, 사전 계획과 생성을 거치는 두 단계 아키텍처를 통해 디자인의 정밀도, 일관성 및 제어성을 향상시켰습니다. 또한 2K 해상도와 30여 가지의 화면 비율을 지원하며, 소셜 미디어, 마케팅 콘텐츠 및 디지털 아트 등 다양한 활용场景에 적합합니다.
Canva는 자체 개발한 최초의 이미지 생성 모델인 Canva Craft를 공식 출시했으며, 이 모델은 2단계 생성 아키텍처를 채택하고 2K 해상도와 30가지 비율의 출력을 지원하며, 텍스트 가독성과 레이어 편집성을 강조합니다. 해당 모델은 플랫폼 내 수백만 개의 인간 디자인 템플릿을 기반으로 학습되었으며, 이미 Dream Lab 및 API에 통합되어 있습니다. 향후 MCP를 통해 ChatGPT, Gemini 등 제3자 챗봇에도 연동될 예정입니다.
AWS는 SageMaker에서 호스팅되는 Kokoro-82M 텍스트 음성 변환 모델을 활용한 기술 솔루션을 발표했으며, 양방향 WebSocket을 통해 AI 에이전트가 텍스트를 생성하는 동시에 음성을 합성함으로써 엔드투엔드 음성 응답 지연 시간을 크게 단축했습니다. 이 솔루션은 Base64-SSE와 통합 바이너리 전송이라는 두 가지 오디오 피드백 방식을 제공하며, ‘가치 검증형’(proof-of-value)으로 명시되어 아직 생산 준비 상태에 이르지 않았습니다.
AWS 블로그는 텍스트 음성 변환(TTS) 모델을 SageMaker 실시간 엔드포인트에 배포할 때, 경험적 추측을 지양하고 두 가지 실제 측정 지표인 Q_max(단일 인스턴스의 최대 지속 가능한 동시 요청 수)와 T_total(계획된 확장·축소 소요 시간)을 기반으로 한 재현 가능하고 검증 가능한 확장·축소 전략을 소개합니다.
IBM은 Granite Speech 5.0 시리즈의 세 가지 오픈소스 음성 모델—granite-speech-5.0-2b(고정확도 다국어 ASR/MT), granite-speech-5.0-470m-turboctc(초고속 엣지 기반 다국어 음성 전사) 및 업데이트된 granite-speech-4.1-2b-plus(향상된 다화자 대화 모델링)—를 출시했습니다. 이들 모두는 Apache 2.0 라이선스 하에 제공되며, 주요 추론 프레임워크를 지원합니다.
Mistral은 2026년 10월 26일 이전에 Voxtral 3를 출시할 예정이며, 이는 다국어 실시간 음성 상호작용을 위한 엔드투엔드 SDK 및 모델 패밀리로, ASR(화자 분리 기능 포함), 추론 계층, TTS 등 세 가지 주요 모듈을 포괄합니다. 데이터 주권과 모듈식 배포를 강조하지만, 모든 성능 관련 주장은 제조사 자체 테스트에 근거한 것으로, 독립적인 제3자 검증은 이루어지지 않았습니다.
YouTube Music은 2026년 10월부터 전 세계적으로 생성형 AI 음악 콘텐츠 표시 태그를 단계적으로 도입하며, YouTube 메인 사이트의 AI 생성 영상 표시 관행을 이어갑니다. 이 조치는 콘텐츠의 게시 중단이나 제한을 의미하는 것이 아니라, 창작 출처에 대한 투명성에 대한 사용자의 요구에 부응하기 위한 것입니다.
Welcome FLUX.3 Image Klein in Diffusers
번역 대기 중 · 원문 표시 · enAlgorithms & Theory
번역 대기 중 · 원문 표시 · enGenerative AI
번역 대기 중 · 원문 표시 · enGemini 3.8 text-to-speech says hello
번역 대기 중 · 원문 표시 · enLow-Latency Multilingual Voice Agents 구축: Open Weights & Full Deployment Control with NVIDIA Magpie TTS
