「音频转文字」共找到 182 篇相关文章
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
对话 Befreed 创始人：从「个人学习」切入的 AI Agent，把学习变成一种生活方式
文章对话 Befreed 创始人 Jisong Liu ，介绍其以「强个性化学习 Agent」为核心的音频学习产品，它能把零散学习累积成知识路径，采用订阅制，有付费转化，还分享了创业、社媒运营等经验。
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。
证书透明度如何重塑互联网信任
文章探讨引入证书透明度（CT）的原因、工作原理及对数字信任的意义，揭示CA机构信任危机，介绍CT架构和实践工具，还展望其未来创新，如Static Sunlight API、委托凭据等。
“AI大神”李沐终于开源新模型，爆肝6个月，上线迅速斩获3.6k stars！
7月23日，“AI大神”李沐开源音频基础模型Higgs Audio v2，构建于Llama - 3.2 - 3B之上，预训练数据丰富。该模型在多个测评中成绩领先，有多种能力，李沐介绍其技术及训练方法。
Meta离职大牛千字「血书」，怒揭黑幕！内斗、抢功、末位裁员，全是毒瘤
Meta前研究员Blankevoort发2000字「血书」，控诉公司文化崩坏、末位淘汰如毒瘤、团队抢功无下限。他指出AI业务深陷泥潭，各部门内斗，合作缺失。Meta领导层重视此事，天价挖人能否带来改变存疑。
4万字《壮丽人性》长文首发！教皇联手Anthropic，警告AI不能统治人类
2026年5月25日，教皇良十四世发布42300字AI通谕《壮丽人性》。Anthropic联创称大模型涌现人类情绪，人类无法理解。教皇指出AI核心危机，揭露剥削与数据殖民，反对AI用于战争，关注AI对工作的冲击。
小米AI语音新框架：人人都能当声音导演
小米大模型应用团队提出Midasheng - audio - generate与Xiaomi Any2Speech两大音频生成框架。前者可实现全场景声音重建，后者让AI学会理解声学空间与叙事逻辑，改变了语音合成应用场景与思路。
开源即爆火！英伟达重磅推出OmniVinci全模态大模型
英伟达在华盛顿GTC大会开源OmniVinci全模态大语言模型，实现视觉、音频、语言统一理解。它性能超竞品，架构有创新，数据引擎庞大。实验有重要洞察，在多场景表现佳，代表全新AI范式。
语音模型也能“freestyle”？可定制角色，模拟背景音
阿里新推两款语音模型，Fun - CosyVoice3.5可基于参考音频克隆声音，优化多方面能力；Fun - AudioGen - VD能进行‘从无到有’音色设计，并模拟复杂听觉环境。用户即日起可在阿里云百炼调用。