「语音交互」共找到 807 篇相关文章
Meta开源史上最强语音“基座模型”：一口气支持1600+种语言
Meta AI FAIR团队发布Omnilingual ASR模型套件，能为超1600种语言提供自动语音识别能力。它引入新架构提升性能，改变引入新语言范式，还发布相关数据集和模型，与全球伙伴合作。
谷歌开源 Colab MCP Server，AI 智能体可云端运行代码
谷歌开源 Colab MCP Server，使 AI 智能体通过 MCP 与谷歌 Colab 交互，将本地智能体工作流与云端执行环境打通，解决本地部署局限，还反映 AI 智能体与外部工具交互标准化趋势。
Claude一夜吞掉所有APP，全球打工人变天！AI时代「操作系统」诞生
Anthropic官宣十大办公神器可在Claude中交互，集成「MCP Apps」打破AI与软件工具隔阂。Claude从单一对话助手向「AI工作站」演进，新功能已向部分用户开放，MCP Apps带来交互革命。
锁定角色，「多主体」也可控！个性化文生图，给你PS般交互体验
LayerComposer革新个性化图像生成，能让用户如在Photoshop般操控元素位置、大小，解决传统方法交互性与多主体扩展难题。它有分层画布、锁定机制、模型–数据共设计三大特点，实验表现出色，未来将促进人机协同创作。
Meta开源多语言语音识别系统，支持1600种语言，可轻松扩展新语种！
Meta研究团队开源Omnilingual ASR，能理解1600种语言，用几条语音 - 文本配对样本就能零样本扩展新语种。提供三种架构，满足不同需求，性能超现有多语种模型，应用场景广泛。
Qwen3-ASR的MLX原生实现：让SOTA语音识别跑满苹果芯片
Qwen3 - ASR是强大开源语音识别模型，但官方实现无法充分利用苹果芯片GPU能力。开发者完成MLX重写，让其能在苹果芯片上原生运行，实测性能佳，还有诸多核心功能及安装使用示例。
腾讯发布Hunyuan-GameCraft！从静图进入动态游戏世界
近年来，现有方法难满足游戏视频生成需求。腾讯推出Hunyuan - GameCraft，可基于一张图像和提示词生成游戏交互视频，能精准响应交互信号，保留历史场景信息，不过动作空间待丰富。
阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。
更新啦！我用 Claude Skills 做的剪辑 Agent!识别效果+交互大升级
作者成峰根据用户反馈对剪辑 Skills 做了大改，替换火山引擎音视频识别模型、提升交互界面。改进包括用 API 替代本地模型、重构口误识别系统、设可视化审核界面，还介绍了简单使用方法。
NLWeb: 让每个网站都装上一个智能的“对话引擎”
微软近日开源NLWeb项目，致力于简化网站构建对话式交互界面的过程。它利用现有网络生态，定义协议让用户或AI代理与网站交互，具有降低门槛、开放社区驱动等优势，目标是构建“AI Web”。