“I”:视频输入。GPT-4V对视频的理解还相当原始，因为它将视频视为一系列离散图像。减少信息冗余的最聪明方法是什么?学习目标应该是什么?下一帧预测与下一个单词预测有着明显的类比关系，但它是否是最佳的?如何与语言交错?如何引导机器人和人工智能的视频学习?业界尚未达成共识。
依赖于预训练大语言模型:DeWave在实现脑电波到文本的转换过程中使用了预训练大语言模型，如BART。
如果说2019-2022年是品牌直播红利期，基建基本完善的2023年则像是竞争加速的开端。2024年，品牌直播的竞争烈度势必会更上一层楼，从内容、流量、金钱、平台等多维度展开。
不同于传统的迭代采样过程，CoMoSVC实现了一步采样，即能够在单次操作中完成声音的转换，大大加快了处理速度。同时，它在保持高音质转换的同时，优化了推理速度，确保转换后的音频既自然又忠实于目标歌手的风格。
这也是该机构有史以来，对企业开出的最高罚单。