「长语音」共找到 864 篇相关文章
面壁小钢炮 VoxCPM-TTS：开源端到端 TTS，轻量高效低延迟
面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
长上下文快2.9倍，解码快6倍：Kimi 用线性注意力实现性能与效率双突破
月之暗面团队的Kimi Linear模型，是混合线性注意力架构，核心是Kimi Delta Attention模块。它解决线性注意力的记忆及遗忘问题，在多任务测试表现出色，还开源相关资源，推动高效长上下文模型研究。
分享2个模型省钱大法
文章分享两个大模型API省钱技巧。一是文本转截图，适用于输入长输出短、费用花在输入token的任务；二是音频加速识别，OpenAI语音识别模型Whisper按音频时长收费，加速音频可省钱，还可包装成API服务盈利。
OpenClaw低调更新重磅版本，龙虾长手长脚了
OpenClaw开发者Peter带来Computer Use工具Peekaboo v3版本，解决了Agent类产品无法直接操控桌面的问题。它能实现像素级截图、读取UI位置，还能完成各类操作，支持自然语言指令，有四种使用方式。
有嘴就能用电脑的时代来了
作者分享语音输入体验，先自制工具，后用微信输入法，现用豆包输入法。指出语音输入对内容创作者等很重要，介绍豆包输入法优点，还提到语音输入成AI核心场景及使用建议。
西湖大学张驰团队：不重训，也能让视频生成更长更稳丨CVPR 2026
AI 视频生成目前存在长视频稳定性问题，西湖大学张驰团队提出 《Free-Lunch Long Video Generation via Layer-Adaptive O.O.D Correction》。研究表明 FreeLOC 方法能提升长视频生成质量，且具跨模型通用性，还揭示了问题机制，降低算力成本。
前百川智能联创焦可新创业公司曝光，新项目已上线 App Store
前百川智能联创焦可新创业公司曝光，其推出的AI语音产品“来福”已上线App Store。该产品定位AI语音电台应用，探索声音交互场景，目前仅邀测。国内大厂未推专注AI播客独立产品。
豆包「打电话」升级 Seeduplex：周围再吵，只认准你的声音
作者分享使用豆包语音通话功能体验，发现它换了新语音模型 Seeduplex。该模型是原生全双工语音大模型，解决半双工问题，在复杂场景表现出色，还介绍其技术逻辑及对行业的影响。
Gemini 2.5 Pro 负责人：最强百万上下文，做好了能解锁很多应用场景
谷歌DeepMind长上下文预训练联合负责人Nikolay Savinov在播客中分享Gemini 2.5长上下文技术。他认为长上下文能革新产品交互，与RAG协同，未来千万级token上下文将成标配，但当前百万级未达完美时扩规模意义不大。