「音频转文字」共找到 187 篇相关文章
美国视频生成老炮儿，入局世界模型
Runway发布首个通用世界模型GWM - 1及一系列变体，包括GWM Worlds、GWM Avatars、GWM Robotics，均基于Gen - 4.5构建。还对Gen - 4.5升级，新增原生音频生成、编辑和多镜头编辑功能。
ICML 2025｜趣丸研发新型人脸动画技术，声音+指令精准控制表情
广州趣丸科技团队提出新颖肖像驱动框架Playmate，能根据音频和控制条件生成高质量肖像视频，精准控制表情和姿态。成果被ICML 2025收录，代码开源筹备中，在多方面优于现有方法。
「听觉」引导「视觉」，OmniAgent开启全模态主动感知新范式
针对端到端全模态大模型痛点，浙江大学、西湖大学、蚂蚁集团联合提出 OmniAgent，它基于「音频引导」，用「思考 - 行动 - 观察 - 反思」闭环实现范式转变，在多基准测试中超越开闭源模型。
哇塞！Chrome MCP + OpenAI Whisper = 播客秒变学习笔记
作者分享Chrome MCP + OpenAI Whisper将播客秒变学习笔记的工作流。此组合成本低、无限制、学习成本低，通过实例演示音频下载、转录及划重点等步骤，适用于多种场景，性价比高。
实测Qwen-MT翻译模型，确实又快又好
阿里云百炼最新翻译模型Qwen-MT开放，有支持多语言互译、提供专业功能、轻量级架构等亮点。实测显示其响应快、回译准确、能调风格，200字文本仅需2.5秒。
DeepSeek开源新模型，提出上下文光学压缩：LLM的新记忆方式
DeepSeek开源OCR模型，探索用多少视觉信息让LLM理解文本。实验表明1000字文档约需100个vision tokens，压缩比10倍、准确率97%。还提出模拟人类遗忘等想法，有多种应用场景，且完全开源。
ACL 2026｜清华新作ControlAudio：声音何时响、说啥话？都能按剧本可控生成！
现有文生音频技术在精细化控制方面有挑战，清华团队提出ControlAudio方法。它通过数据构造、渐进式训练和引导采样，在统一框架下实现时间与语音内容联合建模，在多项任务上表现优于现有方法。
SIGIR 2025 | 视频检索新范式！北邮、北大等联合提出AV-NAS：首个音视频哈希搜索架构，让Mamba与Transformer自动“组队”
北邮、北大等团队提出 AV-NAS，在多模态视频哈希领域引入 NAS，构建含 Transformer 与 Mamba 的统一搜索空间。该方法能自动发现最优跨模态融合机制，揭示音频时序建模中“CNN + FFN”结构更优，代码已开源。
真可用！美团数字人模型开源，MV、电商等统统拿下
美团开源数字人视频生成框架 LongCat - Video - Avatar 1.5 版本，换音频编码器、加速推理，支持多任务与多场景。经770人评测，它在多维度领先对手，各方面表现均衡，效率与质量兼得。
DeepSeek“极你太美”bug，官方回应了
DeepSeek V3.1调用API开发时输出常现“极”字，在火山引擎、腾讯CodeBuddy等多平台出现，影响代码编译。官方称将在近版本修复，网友猜测或因数据清洗不彻底。