「音频播客」共找到 288 篇相关文章
开源2天斩获3K标星！开源TTS新星Chatterbox盲测击败ElevenLabs！
文本转语音（TTS）技术发展快，但达顶尖水平仍有挑战。开源TTS新星Chatterbox，开源2天冲上GitHub热榜，星标超3K。它功能亮点多，安装简单，适用于多种场景，性能超ElevenLabs。
17K star 超火！给你的电脑装上永不遗忘的AI记忆，100%本地运行！
介绍开源项目`screenpipe`，它能7×24小时记录屏幕和音频数据，100%本地运行，保障隐私。对比同类项目Glass，指出两者异同及适用人群，还介绍了安装使用方式。
普利策得主万字起底奥特曼，Anthropic CEO：OpenAI问题就在他身上
《纽约客》万字长文将奥特曼推向信任审视。Ilya指控其说谎、操控他人，Anthropic CEO称他是OpenAI问题根源。回顾其经历，多位合作者与他分道扬镳，且OpenAI安全承诺缩水。
蚂蚁多模态统一框架Ming-Omni：能看懂世界、会说话、还能画画
文章介绍蚂蚁多模态统一框架Ming - Omni，它可统一处理图像、文本等多模态数据。该框架解决了多模态训练中模态表示差异、收敛速度不一致等问题，采用分阶段预训练，能用于图像、音频生成及多模态交互。
首个多人对话视频生成框架MultiTalk，角色有表情还能互动
现有音频驱动人体动画方法多聚焦单人，处理多音频流能力弱、指令跟随有局限。中山大学提出多人对话视频生成新框架MultiTalk，介绍了技术原理，演示效果显示其指令跟随能力强、伪影少。
小红书最新开源TTS力作！4人对话自然无缝，毫秒极速响应！
近年来TTS技术爆发，但多人对话的自然流畅性和长序列稳定性一直是难点。小红书团队开源的FireRedTTS - 2是面向多人对话场景的TTS模型，实现自然切换和低延迟，支持多语言，适用于多种场景。
多人会话视频生成新突破：香港科技大学，浙江大学用单人数据实现多人交互视频生成
香港科技大学、浙江大学等开源 AnyTalker，提出音频驱动多人交互生成新范式。它用创新机制和两阶段训练策略，以少量数据实现多人视频生成，还构建评估指标，性能超现有方法。
OpenAI的首款硬件：是AI耳机，今年销量要冲5000万
数码博主透露OpenAI「To - go」硬件项目细节，其首款硬件是取代AirPods的音频产品「Sweetpea」，预计9月发布，首年预估出货4000 - 5000万部，由苹果前首席设计官团队操刀。
「重置之神」Tibo：Codex真的有一个「重置」按钮，实体的
OpenAI Codex产品负责人Tibo在播客透露重置按钮是实体。他谈了OpenAI文化、给创业者建议，还涉及AI开发流程、ChatGPT与Codex合并、额度重置原因等多方面内容。
1.5万人收藏！这款 NotebookLM 开源平替太还原了，模型随意切换！
Google的NotebookLM虽火，但有国内使用难、数据不私密、模型单一等痛点。Open - Notebook是其开源平替，完全本地可部署，功能超全，支持多模型，近半月GitHub星标增10K，总收藏1.5万。