深入探讨Step-Audio，首个生产就绪的开源智能语音交互框架。

我们介绍AudioLM，一个用于高质量音频生成并具有长期一致性的框架。AudioLM将输入音频映射到一系列离散标记，并将音频生成视为在此表示空间中的语言建模任务。

本次播客深入探讨了MuLan模型，这是一个连接音乐音频和自然语言描述的联合嵌入模型。我们讨论了它的架构、训练数据、应用以及在音乐信息检索任务中的表现。

本次播客深入探讨了MusicLM，一个能根据文本描述生成高保真音乐的模型。我们将讨论MusicLM的技术细节、实验结果、以及它与先前系统的比较。此外，我们还将介绍MusicCaps数据集，并探讨MusicLM在音乐创作领域的潜在应用和风险。

探讨 Transformer 和状态空间模型（SSM）之间联系的播客，重点介绍 SSM 的优势和高效算法，以及新的 Mamba-2 架构。

深入探讨Mamba，一种无需注意力的架构，它通过选择性状态空间实现在语言、音频和基因组等多种模式下的卓越性能。

本播客讨论了一种新的语言建模方法，该方法使用额外的测试时计算来提高性能。我们介绍了 s1K，这是一个包含 1000 个问题的数据集，并开发了预算强制来控制测试时计算。

A podcast delving into the innovative s1-32B model, exploring its sample-efficient reasoning capabilities and test-time scaling techniques.

深入探讨Zyphra公司发布的Zonos-v0.1 Beta，一款具有高保真语音克隆功能的实时文本转语音模型。我们将分析其特性、定价、与其他模型的比较以及技术架构。

深入探讨Goku，一种基于流动模型的视频生成基础模型，及其在图像和视频联合生成方面的突破性进展。