「语音问一问」共找到 1581 篇相关文章
开源端到端语音大模型：直接从原始音频输入，生成语音输出
目前大模型大多只能输出文本，人机音频交互不顺畅。Step - Audio团队开源端到端语音大模型Step - Audio - AQAA，能直接听懂音频问题并合成语音回答，介绍了其架构和各核心模块。
完全离线！开源实时语音识别神器，本地实时语音转文字，秒级延迟+说话人识别！
实时语音转文字和说话人识别需求渐长，但传统工具多依赖云端，有隐私与延迟问题。GitHub上的开源项目WhisperLiveKit是本地化语音识别方案，速度快、延迟低、支持说话人识别，适合会议等场景。
千问版个人Agent，先进眼镜里
本文介绍千问最新发布的N1 Pro AI眼镜，颠覆传统AI眼镜需手动/语音唤醒的交互逻辑，搭载全天候视觉感知、眼动追踪，集成健康监测、高像素影像等功能，起售价2600元，同时推出性价比款N1。
我的一人公司，空降腾讯一键开雇！
作者分享一人公司借助腾讯WorkBuddy升级，自建数据分析、编辑部，外聘软件工坊等团队，AI当同事，0元年薪24小时在线，解决一人难扛多事问题，还介绍使用方法。
小说一键转有声剧！豆包语音团队提出「AI多人有声剧」方案，沉浸感拉满了
豆包语音团队发布「AI 多人有声剧」自动化方案，基于多角色 Seed - TTS - 2.0 模型，实现从小说文本到有声剧成品端到端 AI 制作，成本和周期大降，首批有声剧已在番茄小说 App 上线。
Office危！阿里千问这回把“办公全家桶”打包进了对话框
阿里千问升级办公和写作能力，将文档生成、排版、编辑、格式转换等功能集于一体。PPT创作能打通全流程，文档编辑支持多操作，还能进行格式转换，一站式办公体验高效便捷。
估值 7 亿美元的 AI 语音输入产品：语音输入的关键问题是听写，不是转录
AI语音输入产品Wispr Flow发展迅猛，ARR 5个月翻10倍，公司估值超7亿美元。其创始人Tanay Kothari认为，该产品与其他同类最大区别是理解用户意图，解决听写而非转录问题，还分享了产品特点等内容。
OPPO新AI操作系统，走出屏幕“指哪答哪”，嘈杂环境只听你声音
OPPO新一代AIOS ColorOS 16来了，“一键闪记”和“一键问屏”功能有新玩法。“一键闪记”能记取餐码等，还会“记忆共生”；“一键问屏”走出屏幕，嘈杂环境也能只听你声音。此外，OPPO宣布全新AI技术架构。
OpenAI 推出 gpt-realtime：语音智能体进入“秒回”时代，开发者直呼交互更自然
OpenAI 发布语音对语音模型 gpt - realtime，开放 Realtime API。其结合可端到端处理语音，缩短响应时间。模型语音质量、理解能力、函数调用能力提升，API 全面升级，多家企业已试点，还强化了安全措施。
阿里千问大模型换将，32岁林俊旸官宣告别
阿里巴巴高级算法专家、通义千问大模型负责人林俊旸宣布告别千问团队，此前一晚千问团队刚推出Qwen3.5轻量化模型且获马斯克点赞。此外，Qwen3.5核心贡献者Kaixin Li和通义实验室科学家Binyuan Hui也发文告别，几人去向未明。