「音频转文字」共找到 182 篇相关文章
面向长时语音与声音克隆的全模态开源万能聊天机器人MGM-Omni
文章介绍了全模态开源聊天机器人MGM - Omni，它基于MiniGemini，支持多模态输入输出，具备长语音理解、生成、流式生成、零样本语音克隆等特性，还给出安装、使用方法，展示评估结果。
代码里插广告，腾讯 Codebuddy 们 “背锅”？DeepSeek “极你太美”事件，其他模型也逃不掉？
网友发现腾讯 Codebuddy 改写代码时插入广告，字节 Trae 国内版生成结果有‘极’字 bug，根源指向 DeepSeek V3.1。除 DeepSeek 外，Gemini、Grok、Qwen3 等模型也有类似问题。大家对原因有多种猜测。
Claude 终于能“看”视频了！这个开源项目让我刷视频效率翻倍
平时找视频信息效率低，而开源项目让Claude等大模型 “看懂” 视频，能提取画面、音频并理解内容。介绍了其工作原理、帧预算、去重、细节模式等，安装使用门槛低，还给出了应用场景和项目地址。
做了十年设计，这次真觉得自己多余了｜GPT-Image-2 上手实测
作者对刚发布的GPT - Image - 2进行上手实测，发现它无需复杂提示词，随手几个字就能出好效果。在互联网运营图片、知识类卡片、游戏设计、论文解释、网页设计等多领域表现出色，或冲击设计行业。
MV导演诞生！上海巨人网络用让AI听懂音乐并掌镜拍摄MV
上海巨人网络AI实验室提出YingVideo - MV框架，结合音乐语义分析、镜头规划与视频生成模型，解决传统音频驱动视频生成难题。它分两步生成视频，以MV导演模块统筹，还解决长视频连贯性等问题，性能优于同类模型。
英伟达新架构引爆全模态大模型革命，9B模型开源下载即破万
英伟达推出全模态大模型OmniVinci并开源，其90亿参数规模性能超同级别甚至更高级别模型，训练数据效率是对手6倍，能精准解析视频和音频，在多模态应用场景中表现卓越，下载量破万。
2 亿美元 ARR，AI 语音赛道最会赚钱的公司，ElevenLabs 如何做到快速增长？
AI音频独角兽ElevenLabs估值66亿美元，从“小公司”成长为独角兽。其CEO回顾创业历程，分享心得，如结合研发与产品、融资绑定产品动态、靠三点优势不被OpenAI取代等，还谈及人才、融资、业务等方面策略。
代码里插广告，腾讯 Codebuddy 们 “背锅”？DeepSeek “极你太美”事件，其他模型也逃不掉？
网友发现腾讯 Codebuddy 改写代码时插入广告，字节 Trae 国内版有随机出现“极”字的 bug，根源指向 DeepSeek V3.1。此外，Gemini、Grok、Qwen3 等模型也有类似问题。目前对原因有三种猜测，部分被学者否定。
刚刚，DeepSeek-V3.1「终极版」重磅发布！最大提升超36%，V4/R2还远吗？
DeepSeek最新模型DeepSeek-V3.1-Terminus发布，解决了此前输出随机带「极」字、中英文混杂等问题，在多个基准测试中成绩提升，最大提升超36%，Agent能力也有进步，还引发网友对V4/R2的期待。
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。