「语音识别」共找到 456 篇相关文章
DeepSeek识图模式全量上线，却认不出自家老板梁文锋
端午节前，DeepSeek全量推送识图模式。测试发现，它能认出黄仁勋，但忽略‘豆汁’字样，识别人物和潦草汉字准确率低，不过识别文物能力不错。还比较了与其他模型在乐理推理测试中的表现，开发者有新疑问待解答。
让AI读懂「言外之意」：AI4SG团队发布首个心理健康污名语料库，破解隐性偏见识别难题
心理健康患者常面临社会偏见，且这种污名化隐蔽难识别。新加坡国立大学AI4SG团队联合多学科专家，构建首个心理健康污名访谈语料库MHStigmaInterview，获ACL 2025认可，为解决该社会问题提供技术支持。
具身智能从此「边听边说」，智源研究院开源原生全双工语音大模型RoboBrain-Audio
北京智源研究院联合多方发布原生全双工语音对话大模型 RoboBrain - Audio，采用新架构和创新训练范式，在性能上全面领先，革新音频 - 文本对齐方式，丰富了 RoboBrain 全栈体系，推动具身智能发展。
麻省理工AI放王炸！无需说话、秒懂你的想法，外挂AI大脑来了
今天凌晨2点，麻省理工学院分享突破性研究Alterego。它是可穿戴无声语音交互AI设备，通过捕捉神经肌肉信号实现无声沟通，处理后用骨传导耳机反馈结果，应用场景广泛，还能帮助残疾人交流。
科大讯飞研发总监王磊磊将在 AICon 上海分享多模态降噪技术的实践与应用
5月23 - 24日AICon上海大会将聚焦AI前沿与产业落地。科大讯飞王磊磊将分享《复杂场景下的语音交互，多模态降噪技术的实践与应用》，介绍基于多模态融合的降噪技术体系及其在智能硬件中的应用。
2.6K Star！超逼真端侧TTS模型，0.5B参数3秒音频即时克隆！
文章介绍开源项目NeuTTS Air，它是免费、轻量级超逼真语音合成模型，仅0.5B参数，媲美商用TTS引擎，能在低功耗设备运行，支持3秒音频克隆声音，还给出使用步骤和应用场景。
开源真强大，不敢相信，太真实，揭秘8.3k star 开源神器 VoiceCraft 如何封神！！！
VoiceCraft 是多团队合作推出的零样本语音编辑与 TTS 开源项目。它能几秒克隆语音，实现编辑功能，支持零样本文本转语音，在真实场景音频中性能超 XTTS - v2、VALL‑E 等模型，解决了内容创作和编辑痛点。
OCR 赛道变天了：Datalab 要亲手杀死自己
Datalab推出Chandra模型，指出老一代pipeline OCR已到天花板。它从“切块识别”转向“整页理解”，在布局感知、数学支持、表格表单处理上表现出色，标志OCR从“识别字符”进入“理解文档”阶段。
23.6K star！微软AI项目硬核开源，带飞你的电脑！
微软开源项目 `OmniParser` 是超级智能“数字助手”，能像人一样“看懂”屏幕元素并操作。它精准识别小图标、响应快、开发便捷、兼容大模型且跨平台，目前在Github获23.6K star。
17K+ star！ElevenLabs 超强平替，能克隆、能混音、能 API 调用！
ElevenLabs 效果好但价格贵且有隐私风险，现开源项目 Voicebox 是其免费替代。它本地优先运行，功能丰富，如语音克隆、文本转语音等，在 GitHub 收获 17.4K+ Star，适合多类用户。