「实时语音识别」共找到 764 篇相关文章
OCR 赛道变天了：Datalab 要亲手杀死自己
Datalab推出Chandra模型，指出老一代pipeline OCR已到天花板。它从“切块识别”转向“整页理解”，在布局感知、数学支持、表格表单处理上表现出色，标志OCR从“识别字符”进入“理解文档”阶段。
23.6K star！微软AI项目硬核开源，带飞你的电脑！
微软开源项目 `OmniParser` 是超级智能“数字助手”，能像人一样“看懂”屏幕元素并操作。它精准识别小图标、响应快、开发便捷、兼容大模型且跨平台，目前在Github获23.6K star。
OpenAI主攻速度的第一个模型来了：GPT‑5.3‑Codex‑Spark
OpenAI发布GPT-5.3-Codex-Spark，是GPT-5.3-Codex轻量级版本，也是首个为实时编程设计的模型。亮点是速度快，推理超每秒1000 token，已向ChatGPT Pro用户开放，后续规划融合两种工作模式。
终于找到一个开源神器！用画布喂给 Claude Code，上下文再也不用打字说了！
开发者用文字向 AI 说明需求繁琐，思路易跑偏。BonsAI 是 macOS 原生应用，提供无限画布，可让 Agent 实时读取改写。它亮点多，还有连接器功能，能成编程工具‘前置处理器’。
17K+ star！ElevenLabs 超强平替，能克隆、能混音、能 API 调用！
ElevenLabs 效果好但价格贵且有隐私风险，现开源项目 Voicebox 是其免费替代。它本地优先运行，功能丰富，如语音克隆、文本转语音等，在 GitHub 收获 17.4K+ Star，适合多类用户。
最小模型仅 25MB，老设备无 GPU 也能流畅跑！
开源项目`KittenTTS`是文本转语音模型系列，核心特点是“小身材，大能量”。最小模型约1500万参数，体积25MB以内，无需GPU，靠CPU就能实现高质量语音合成，适合多种设备和场景。
“图片秒生”，腾讯混元图像2.0模型正式发布，主打速度和真实感
5月16日，腾讯发布混元图像2.0模型，率先实现实时生图，生图速度快、质量高，能避免‘AI味’。在GenEval基准上准确率超95%，还发布实时绘画板功能，后续将推原生多模态模型。
阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！
阿里通义团队上新 Qwen3-TTS 文本转语音模型，主打拟人语音表达、丰富音色体系与多语言多方言能力。有 49 种高保真音色，支持 10 种语言、9 种方言，还能智能调节语速和韵律。
一个全新的世界模型，终于让AI视频进入了“无限流”时代。
AI视频公司PixVerse推出实时世界生成模型PixVerse R1，用户可输入Prompt修改视频进程，无干涉时视频会自行延续。该模型为世界模型补上实时视频生成方向，实测体验乐趣十足。
阿里又放大招！一句话，造一个能走进去的世界
阿里上线HappyOyster 1.0世界模型，一句话生成可实时探索、交互的开放世界。它与文生视频不同，能让用户参与体验。该模型有世界探索和实时导演两大功能，技术优势显著，应用场景广泛。