「硬件语音AI Agent」共找到 3301 篇相关文章
文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平
澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。
狂揽 1.9 万标星！谷歌大神开源的 Agent Skills，直接提升 AI 编程的交付质量！
谷歌Gemini团队主管Addy Osmani开源的Agent Skills项目火了，已揽1.9w+ Star且还在增长。它是AI编程代理人的工程技能库，有20个核心技能，覆盖开发全周期，可提升AI编程交付质量，支持主流编程工具。
面向 AI Agent 的搜索服务，小宿科技有机会成为百亿美金的新巨头吗？
文章围绕AI搜索展开，分析微软Bing停用API原因，探讨小宿科技做Agent时代AI搜索服务的机会。从多方面剖析小宿优势，如全球通能力、贴合需求打法等，指出AI时代搜索是B端基建博弈。
Sam Altman与开发者的一小时对话：我们在“梦游般”走向风险，人类经不住Agent诱惑
Sam Altman在与开发者生态交流会上，针对GPT-5写作能力下降问题坦率回应，还发出一系列重磅信号，如警告生物安全风险、披露招聘计划等，并就软件工程、AI Agent等多个话题分享看法。
21.7K 标星的开源TTS！FishAudio开源情感语音核弹：200万小时炼成“声优AI”！
FishAudio团队推出新一代TTS语音模型OpenAudio S1，基于200万小时音频数据训练，采用Qwen3+Descript Audio Codec架构。它能实现情感表达，在TTS - Arena榜单登顶，还提供不同版本适配，适用场景广泛。
10年前押中英伟达：这位复旦学霸如何用AI Agent重新定义投资
文章讲述投资老手赖蕴琦创立RockFlow、开发AI助手Bobby，欲用AI Agent重新定义投资。她认为投资应回归本质，做简单有趣之事，AI可降低门槛，将灵感变交易机会，还探讨了产品发展、影响及行业趋势。
中科院甩出多模态“核弹”！类GPT-4o多模态模型开源！支持语言-视觉-语音任意组合交互！
中国科学院计算技术研究所（ICTNLP）开源类GPT - 4o多模态模型Stream - Omni，支持文本、视觉和语音任意组合交互，核心是高效模态对齐技术，少量多模态数据即可训练，有多种使用场景。
奥特曼回应OpenAI硬件抄袭：投资没谈拢就来反咬我！新一轮邮件证据曝光
奥特曼就OpenAI硬件“抄袭门”回应，称IYO投资不成就诉讼，还公布邮件证据。双方各执一词，争议不断。此外，OpenAI正为ChatGPT设计协作和聊天功能，与办公工具竞争。
识别1600+种人类语言，支持少样本扩展到5400+种语言，Meta自动语音识别模型开源
Meta AI发布Omnilingual ASR自动语音识别模型并开源。它能转录超1600种语言，含500多种首次被AI理解记录的语言，还可通过少样本扩展到5400多种，改变了多语言ASR构建范式。
美团也开源了大模型，但我觉得他们的野心是通用生活Agent。
美团发布并开源560B参数的MoE模型LongCat - Flash - Chat，推理速度快。与DeepSeek V3对比，输出速度优势明显。美团多个落地或内测AI功能服务C端生活场景，目标是打造通用生活Agent。