搜索：端到端语音模型

「端到端语音模型」共找到 8025 篇相关文章

谷歌新研究：大模型“吵架”有利于提升推理质量

谷歌新研究发现高级推理模型自发进化出'思想社会'，研究人员用LLM - as - judge方法识别出多个虚拟人格。还找到控制现象的'开关'，实验表明教AI'吵架'更有效，其'社交技能'通用，给开发者带来新启示。

时隔21个月，豆包大模型2.0正式推出。它在多模态理解、企业级Agent、推理和代码能力上有提升，在多个基准测评中达业界最优。实测显示其在编程、数学问题处理上性能出色，性价比也具优势。

当前动作定制方法在应对多样化主体和场景时适应性差，清华与腾讯提出FlexiAct模型。它引入RefAdapter和FAE，能在空间结构差异大或跨域场景中精准适配动作，保持外观一致，表现优于其他方法。

今天凌晨，OpenAI的Sam Altman回应删除与Jony Ive信息一事，公布与iyO交涉邮件，透露收购io是为开发硬件语音AI Agent。iyO曾邀OpenAI投资、合作，演示失败后被弃，双方因名字打官司。

京东发布JoyAI - LLM Flash模型，激活参数小、推理快。它采用混合专家架构等技术，在基础架构、数据加工、强化学习等方面表现出色，还通过多Token预测等技术加速推理，为商业场景落地扫清障碍。

深夜，字节跳动Seed团队开源Seed-OSS系列模型，含三个版本。其用12万亿tokens训练，在多基准测试表现出色。有灵活推理预算控制等特性，原生支持512K上下文窗口，基准测试成绩佳。

近期音频驱动肖像动画技术发展快，但现有方法存在嘴型声音不对、动作不自然等问题。阿里提出Talking - Critic奖励模型，构建Talking - NSQ数据集，还提出TLPO优化框架，提升多维度表现，实验超现有SOTA方法。

音频驱动人体动画技术有局限，阿里夸克团队推出OmniAvatar模型。它用逐像素多层次音频嵌入和LoRA训练法，解决唇动同步等问题，适用于多领域，但也存在颜色偏移等不足。

字节推出Seed，其Robix视觉—语言单模型能搞定机器人推理、任务规划和自然语言交互，核心采用思维链推理和三阶段训练策略，效果超Qwen2.5 - VL、GPT - 4o等，负责人是李航。

5月20日Google I/O 2026前夕，谷歌提前“放大招”，Gemini桌面端曝光，Mac版先上线。它具备四大核心功能，如系统级Agent操控PC等。全新Gemini 3.2闪现，编程能力惊人，谷歌还更新Workspace应用图标。