「无声语音交互」共找到 833 篇相关文章
智源清华带来PAM，手物交互数据生成新SOTA | CVPR 2026
北京大学、清华等联合提出统一引擎PAM，能整合姿态、外观和运动。用户提供初始和目标姿态及物体几何形状，它就能生成逼真手物交互视频。其效果超现有方法，合成视频可用于数据增强。
从Token到词元：全模态时代的基模与交互入口
2026年3月24日国家数据局确立“词元”为Token标准译名，Token生成与消耗方式在多模态场景正发生变化。模思智能获数亿融资，探索从语音到全模态的路径，成果颇丰且完成能力闭环，其发展受关注。
132万字实时字幕！阿里语音模型支持影视飓风100小时直播
阿里升级实时语音识别大模型Fun-ASR-Realtime，首字延迟在百毫秒级别、识别准确率接近离线模型。在影视飓风100小时直播中表现出色，还支持16种方言和30种语言，离线模型Fun-ASR-Flash全球权威榜单排第一。
“交互式Scaling”：增加Agent与环境交互的深度和频率来提升性能
在AI发展中，商业研究Agent是“黑箱”，开源研究Agent性能有差距。MiroMind团队推出MiroThinker v1.0，提出“交互扩展”提升性能，在多基准测试表现出色，也指出了当前版本的局限。
3000万融资，20%付费转化，语音输入工具Wispr Flow如何精准找到PMF？
语音输入工具Wispr Flow获3000万美元融资，近20%用户付费。此前它经历转型，砍掉无消费级市场的硬件产品、大规模裁员，聚焦用户需求找到PMF。创始人复盘转型历程，分享四点关键心得。
用嘴聊出来了一个 APP：实测「码上飞」语音开发有多离谱
本文实测「码上飞」AI 开发平台，它让用户用对话或语音描述需求，AI 就能做出应用。测试了美甲预约、AI 生图、私域自媒体知识付费小程序三个场景，它表现出色，大幅压缩开发成本，助普通人跨过技术门槛。
社区供稿 | VibeVoice实现90分钟、多角色播客生成，拓展语音合成新边界
微软亚洲研究院提出全新语音生成模型 VibeVoice，采用 next - token diffusion 机制，能将文字脚本转为最长 90 分钟、最多 4 人对话的高质量播客音频，在多方面有显著优势，未来潜力大。
开源版Genie 3世界模型来了：实时+长时间交互，单卡可跑，国内公司出品
本月初 Google DeepMind 发布 Genie 3 引发关注，没过两周昆仑万维就推出开源交互世界模型 Matrix - Game 2.0，参数量 1.8B，单卡可跑，能实现实时长序列、交互式生成，经测试潜力大。
论文自动变漫画PPT！Nano Banana同款用秘塔免费生成，还有一对一语音讲解
Nano Banana 2的知识变漫画玩法火出圈，国产秘塔AI搜索对标其核心体验，上线同款漫画式课件生成玩法，提供20多种风格，还能语音讲解，发布即全员免费开放，可将论文、报告等变PPT。
Karpathy提的“软件3.0”已过时，交互即智能才是未来 | 上交大&创智刘鹏飞
上海交通大学刘鹏飞团队认为，2024年9月后，大神Karpathy提出的“软件3.0”已过时，“软件3.5”应运而生。其核心是“交互即智能”，在自然语言易用性基础上实现人机交互认知层面突破。