「语音问一问」共找到 1535 篇相关文章
OpenAI 详解规模化低延迟语音 AI 的 WebRTC 架构
OpenAI 介绍为全球规模低延迟语音 AI 调整 WebRTC 架构，将传统媒体终结模型换为中继收发器架构，分离职责，避免复杂逻辑堆砌与转嫁。此架构为实时语音技术布局补充基础设施细节，对架构师有参考价值。
面壁小钢炮 VoxCPM-TTS：开源端到端 TTS，轻量高效低延迟
面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。
一人公司创业，如何找对方法论、选准装备库？
AI让一人做产品更易，全国一人有限责任公司数量增长，相关服务生态成形。时踪由阿泰独立研发，从个人痛点出发做出产品，其95%云服务选阿里云。阿里云为OPC创业者提供阶段化“装备库”。
后生可畏！何恺明团队新成果发布，共一清华姚班大二在读
何恺明团队继5月提出MeanFlow (MF) 后，近日推出改进版Improved MeanFlow (iMF)，解决了原始MF三大核心问题。它重构预测函数，还实现灵活的无分类器指导和高效的上下文内条件作用架构，提升了实用性和效率。
Meta发布Omnilingual ASR：支持1600+语言的开源语音识别系统
Meta发布全新自动语音识别系统Omnilingual ASR，支持超1600种语言，核心创新是零样本和少样本学习能力，降低小语种语音识别门槛。项目提供不同规模模型，安装调用简单，目前仅支持40秒内音频，数据集和项目均开源。
刚刚，国产AI双冠王！黑马世界模型打破全球纪录，一镜到底封神
生数科技的MotuBrain零宣发登顶双榜，打通「看懂世界+执行行动」，适配多个头部机器人本体。它基于Motus进化，具备多本体、多任务、长程执行能力，展示出强大的「一脑多能」和「一脑多型」特点。
有嘴就能用电脑的时代来了
作者分享语音输入体验，先自制工具，后用微信输入法，现用豆包输入法。指出语音输入对内容创作者等很重要，介绍豆包输入法优点，还提到语音输入成AI核心场景及使用建议。
突发！阿里Qwen负责人林俊旸官宣卸任
深夜，阿里Qwen灵魂人物林俊旸突然官宣卸任，离开千问项目，还有两位Qwen团队研究员同时离职。林俊旸履历耀眼，32岁成阿里最年轻P10，带领团队将千问系列全面开源。
我的合伙人是AI｜甲子光年
文章讲述AI时代“一人公司”新现象，多位创业者借助AI构建企业运作逻辑。如叶纯俊的公司用AI完成多环节工作，许婷团队让AI参与编程。同时提到投资态度转变，“一人公司”发展有挑战也有机遇。
前百川智能联创焦可新创业公司曝光，新项目已上线 App Store
前百川智能联创焦可新创业公司曝光，其推出的AI语音产品“来福”已上线App Store。该产品定位AI语音电台应用，探索声音交互场景，目前仅邀测。国内大厂未推专注AI播客独立产品。