搜索：实时语音翻译

「实时语音翻译」共找到 637 篇相关文章

马斯克宣布用户将可语音定制X信息流

埃隆·马斯克宣布11月X平台算法将由AI驱动，开源代码会持续更新，用户能语音定制信息流。此计划引两极反应，算法也有缺陷，还面临可信度和信息茧房等问题。

阿里新推两款语音模型，Fun - CosyVoice3.5可基于参考音频克隆声音，优化多方面能力；Fun - AudioGen - VD能进行‘从无到有’音色设计，并模拟复杂听觉环境。用户即日起可在阿里云百炼调用。

语音助手准确判断用户是否说完是挑战，Smart Turn将决策过程缩至12毫秒。其v3.1版有改进，新增数据集提升英语识别准确率，推出未量化版本推理更快，8MB模型性能优，已在HuggingFace开源。

近年来交互式数字人视频生成受关注，但实时处理多模态输入有挑战。快手可灵团队提出MIDAS框架，基于LLM驱动的自回归模型，结合轻量级扩散头，实现低延迟、交互式多模态控制，还构建大规模数据集等。

Decart发布世界首个「实时、无限」扩散视频模型MirageLSD，输入视频流能快速转化画面，前特斯拉AI总监Karpathy投资。它在时长和延迟上有突破，也有需改进之处。

第三方语音合成API成本高、有隐私风险，直接部署开源模型配置复杂。开源的Chatterbox-TTS-Server基于Chatterbox TTS模型，有Web界面、声音克隆等功能，支持GPU和Docker，可解决部署难题。

传统工业方法在还原复杂现实场景时成本高、质量差，当前算法也难重建和渲染真实天气效果。上海交通大学提出Weather - Magician框架，能重建场景并渲染4D天气效果，对硬件要求低且可实时渲染。

翻译大型或复杂文档一直是痛点，免费工具效果差或限制文件大小，付费成本高。infrost开发的DeeplxFile基于Deeplx和Playwright打造，免费、不限文件大小，擅长处理超长文本和复杂Excel公式，还能转PDF为可编辑文件。

文章指出语音输入随着 AI 发展价值重估，介绍了开源工具 OpenLess，分析了商业订阅、开源桌面工具、大厂输入法三类玩家，给出四层评估框架，也提及开源风险，并对不同需求给出选择建议。

字节推出端到端多模态人类世界建模框架X - Streamer，能从单张人像构建可无限流式生成的数字人，实现音素级口型同步和长程记忆。其核心是“思考者–行动者”双Transformer架构，在两张A100 GPU上可实时运行。