搜索：语音输入工具

「语音输入工具」共找到 2351 篇相关文章

工具增强的多模态LLM综述

多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。

LlamaIndex团队开源独立工具LiteParse，用Rust打造，可本地运行、零成本、高精度解析PDF。它能提取文本及精确位置，有多种输出格式，支持多格式输入，还介绍了安装、使用、OCR配置等内容及应用场景。

AI 席卷开发领域，输入法团队在 Kuikly 跨端项目探索 AI 工程化方案。介绍了推进 AI 友好型工程、构建精准 AIContext 等关键层面，以灵感词库页面开发为例展示效果，还展望了未来探索方向。

腾讯开源游戏视频生成框架Hunyuan - GameCraft，基于混元视频生成搭建，操作简单，输入单张场景图、文字描述和动作指令就能生成高清动态游戏视频，解决传统工具瓶颈，性能优于主流模型。

OpenAI客户支持工程师Jason称，Codex不只是编程助手，而是完整电脑工作系统。通过持久对话流留存记忆、语音输入精准表达、自动化接管任务等，能让机器高效完成各类工作，人还可随时干预。

Maitrix团队发布开源AI端到端语音模型Voila，以195ms超低延迟及全双工对话受关注。它功能强大，支持多语言，有多种使用方式，适用于多个场景，架构采用模块化设计。

文章聚焦腾讯AI数据智能体工具Lumos，它是Tomoro的数据智能体，采用多智能体架构解决复杂问题。文中介绍其技术思路、实践方案，如解决多智能体一致性、提升查询响应等，还提及后续优化方向。

阶跃星辰发布最强开源端到端语音大模型 Step - Audio 2 mini，在多个国际基准测试集获 SOTA 成绩。它统一建模语音理解等，率先支持语音原生 Tool Calling 能力，架构创新，案例展示其多方面强大能力。

OpenAI发布语音大模型时，微软同日推出自研语音模型MAI-Voice-1和通用模型MAI-1-preview。MAI-Voice-1效率高、表达丰富，MAI-1-preview采用MoE架构。微软此举在语音战场布局，也为与OpenAI谈判增加筹码。

随着语音应用场景普及，语音大模型响应慢成瓶颈。VITA团队开源端到端语音模型VITA - Audio，7B参数模型首次生成音频仅53毫秒，比同级别快3 - 5倍，完全开源，有超低延迟等优势。