「音频播客」共找到 288 篇相关文章
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
离开百川去创业！8 个人用 2 个多月肝出一款热门 Agent 产品，创始人：Agent 技术有些玄学
前百川工具链负责人徐文健离开百川后创业，和冯雷创立火星电波，推出AI播客产品ListenHub。团队搭建重品质，产品研发仅用两月多，虽获用户认可，但也面临质疑，公司计划出海，徐文健认为企业核心是组织和理念。
无限长、零掉帧！StableAvatar口型同步全新技术
当前音频驱动头像视频生成扩散模型合成长视频时难兼顾音频同步与身份一致，瓶颈在音频建模。复旦大学提出StableAvatar，首个端到端视频扩散Transformer，能无限时长生成，还介绍原理与演示效果。
分享2个模型省钱大法
文章分享两个大模型API省钱技巧。一是文本转截图，适用于输入长输出短、费用花在输入token的任务；二是音频加速识别，OpenAI语音识别模型Whisper按音频时长收费，加速音频可省钱，还可包装成API服务盈利。
6秒造一个「视频博主」，Pika让一切图片开口说话
8月11日，Pika推出“音频驱动表演模型”，允许用户上传音频结合静态图片生成高度同步视频，角色口型、表情、动作自然，平均6秒出720p高清视频，目前仅限iOS端且需邀请码。
我有听书障碍，但被这个 AI 电台拿捏了
作者曾有听书障碍，却被 Huxe 这款 AI 音频 App 吸引。它由 Google 团队打造，能将邮件摘要、新闻等生成“私人电台”。有个性化简报、自定义音频内容等功能，集成 ASR、NLP 和 TTS 模块。
千万级标注成本归零！CVPR 2025清华团队成果：相机的“自运动”就是最好的老师
以往空间音频模型受限于采集条件和标注成本，清华和密西根大学团队在CVPR 2025给出新路径，利用相机自运动作监督信号，让模型从互联网视频学三维空间音频感知，成果入选会议Highlight。
语音界Sora！微软刚开源新模型，一次生成90分钟语音、3200倍压缩率
今天凌晨微软研究院开源创新音频模型VibeVoice - 1.5B，有诸多技术突破，如可合成90分钟语音、支持4名发言人、3200倍音频压缩等，还首创双tokenizer协同架构。未来微软还会开源更大参数模型。
一手实测全新的Sora 2 - AI视频的ChatGPT时刻到来了。
OpenAI发布Sora 2和Sora APP，Sora 2是视频和音频生成模型，在运动质量、人物表演、音频生成等方面表现出色；Sora APP类似AI版抖音，有社交互动“cameos”功能，但产品未来尚不明朗。
数字人视频革命！MultiTalk开源：15秒多人对话一键生成，歌唱/卡通全驾驭！
在AI驱动的视频生成领域，创建多人对话场景是难题。MultiTalk是开源音频驱动多人对话视频生成框架，由MeiGen - AI等联合研发，输入多路音频等就能生成嘴型同步的视频，适用于多种场景。