「实时语音技术」共找到 3262 篇相关文章
终于！世界模型进入“有声时代”：24FPS画面+48kHz立体声实时生成
过去两年视频生成模型不断提升画面参数，但传统模型生成的视频固定，用户无法干预。而世界模型可跟随操作实时渲染、动态生成世界。目前Noiz AI联合多机构发布实时可交互音视频世界模型HelixWorld 1.0，后续还将开源。
Agent Token焦虑：当每次对话都在「烧钱」，技术如何破局？| GAIR Live 029期预告
GAIR Live 029 期线上圆桌将直击 Agent Token 焦虑的底层技术逻辑，邀请技术负责人从架构重构与系统优化双重视角，拆解 Claw 类产品如何从烧钱走向省钱。探讨成本解剖、架构升维、系统优化等核心议题。
让AI生成视频「又长又快」：Rolling Forcing实现分钟级实时生成
南洋理工大学与腾讯ARC实验室联合研究，由博士生刘坤昊等完成，提出Rolling Forcing方法，通过滚动窗口联合降噪等创新设计，突破实时长视频生成瓶颈，实现分钟级实时生成，还支持交互控制，但仍有优化方向。
ACL 2025｜自我怀疑还是自我纠正？清华团队揭示LLMs反思技术的暗面
本文指出反思技术虽简单有效，但在多种LLMs和任务中会失败。清华团队剖析其在开源和闭源LLMs、四种任务上失败原因，提出轻量级缓解方案，为反思技术可解释性研究奠基。
最新内幕！GPT-5没能取得技术突破，OpenAI核心投奔小扎另有隐情
据内幕消息，OpenAI面临数据瓶颈和技术难题，GPT - 4.5未达预期，GPT - 5转向实用改进。同时，公司存在技术转化问题、内部关系紧张等挑战，还在与微软谈判，也在为IPO做准备。
Speech LLM 的下一个突破口：你的语音大模型可以是个「带韵律的文本模型」
语音大模型存在‘模态代沟’致性能‘降智’，此前两波改进未根本解决。香港中文大学论文提出TextPro - SLM架构，从输入端破局，仅用约1000小时数据就实现低‘模态代沟’，对多模态模型设计有启发。
直击WAIC：萝卜快跑入选「国家队」，AI数字人技术升级，百度全栈自研杀疯了
在世界人工智能大会 WAIC 上，百度成果亮眼。萝卜快跑入选「国家队」，出海进展快，还与 Uber 合作；数字人技术升级，发布 NOVA。百度靠全栈自研技术体系支撑，目标是打造数百万个超级应用。
英伟达一口气开源多项机器人技术，与迪士尼合作研发物理引擎也开源了
英伟达在机器人学习大会上发布多项开源技术，有Newton物理引擎、Isaac GR00T N1.6基础模型等，还在硬件层面下功夫。顶尖公司、高校已用其技术，全栈式布局或重定义机器人研发规则。
Qwen3技术报告首次全公开！“混合推理模型”是这样炼成的
本文首次公开Qwen3技术报告，介绍其模型架构、预训练及后训练过程、性能表现等技术细节。Qwen3整合两种模式，引入思考预算机制，降低轻量级模型计算资源，在多基准测试领先，多语言支持扩展至119种，所有模型开源。
深度解析大模型技术演进脉络：RAG、Agent与多模态的实战经验与未来图景
大模型作为产业变革核心引擎，RAG、Agent与多模态技术重塑AI与现实交互边界。本文解析技术演进脉络、实战经验与未来图景，介绍三者在各领域应用及面临挑战，为产业升级提供指引。