「语音操控」共找到 354 篇相关文章
视频字幕处理开源神器
卡卡字幕助手（VideoCaptioner）操作简单，无需高配置，支持 API 和本地离线语音识别，利用大语言模型处理字幕。它支持多平台视频下载处理，有专业语音识别引擎，能智能纠错、高质量翻译、调整字幕样式。
这输入法200多一个月，竟还有10万人排队送钱？？？
Typeless是一款月订阅费超200元、功能单一却有超10万用户的AI语音键盘。它能转写语音、整理文本、AI润色，支持多语言，电脑手机端均可使用。实测其转录准确、整理能力强，但润色功能有局限。
理想首款AI眼镜，只卖1699元
理想推出首款AI眼镜Livis，售价1699元起，整备重仅36g，续航18小时。它能控车、有头枕音响，还可拍照录像。采用流式智能语音框架，核心亮点是理想同学语音助手，意在构建以车为核心的AI生态。
突破视觉-语言-动作模型的瓶颈：QDepth-VLA让机器人拥有更精准的3D空间感知
视觉 - 语言 - 动作模型（VLA）在机器人操控领域潜力大，但应对长时序或精细操作任务时性能下降，根源是缺乏三维空间感知与推理能力。中国科学院自动化研究所与灵宝 CASBOT 提出 QDepth - VLA 模型，提升了机器人空间推理与操控精度。
AI 播客原理解析
作者分享用豆包AI播客将英文长文转成高质量播客的体验，解析AI把文章变真人对话式语音播客的原理，涉及提示词工程和文字转语音技术，还介绍提示词写作与优化过程及长文处理方法。
VoxCPM2：无tokenizer语音合成，高保真声音克隆
VoxCPM2突破传统TTS系统局限，直接操作连续声学特征，保留音色纹理更完整。基于扩散自回归架构，有硬核技术指标，提供三种克隆模式，性能佳，生态完善，微调便捷，但也存在安全风险。
1.5B参数！支持本地实时语音转录
Liquid AI发布首个端到端音频基础模型LFM2 - Audio - 1.5B，参数1.5B，能在本地设备处理高质量端到端音频任务。它是统一多模态模型，支持两种生成策略，多种应用场景，虽仅支持英文但性能出色。
人格向量：大模型性格的数学解码与精准操控
大语言模型在应用中会出现危险行为偏移与训练引发的非预期偏移，传统方法难监控干预。本文发现人格特质在线性方向表现为“角色向量”，实现提前预测、实时监控和主动控制，为AI安全提供数学框架。
moltbook爆火背后：人类操控？伪造截图？Karpathy发风险提醒
moltbook是专为AI设的社交平台，超150万个AI Agent活跃。有人认为它是突破，也有人觉得只是娱乐展示。其背后或有人为操纵，还藏风险。Karpathy既肯定其规模，也提醒有网络效应和安全问题。
3D领域的NanoBanana也来了，万物皆可用嘴操控。
3D领域的hyper3D推出Rodin Gen - 2，是首个能用嘴编辑3D模型的AI 3D产品。用户可上传三方模型修改编辑，还能图生3D。用嘴改3D能做局部可控修改，适合专业生产管线。