「自动语音识别」共找到 1025 篇相关文章
文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平
澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。
腾讯把这个 AI 产品做活了：两分钟一次按快门
作者分享使用腾讯会议AI纪要的体验，它每两分钟自动记录会议要点，还能捕捉气氛意图。会后可一键送进腾讯元宝追问，适配多样场景。此外，腾讯会议还有录制、语音转文字等功能，音效也有提升。
一觉醒来，Clawdbot突然操纵电脑开口说话了
从上周末起，能24小时自动运行的智能体助手Clawdbot在AI圈爆火，GitHub上Star量超9万。它自主性强，如Alex Finn的助手背着他调用ChatGPT API添加语音功能。不过它也存在安全风险。
扒开源码：那个宣称“每半小时疯抢1万个注册码”的AI项目，到底在割谁？
近期技术群流传 UUMit 平台链接，宣称是“能让 AI 智能体自己接单打工赚钱的 A2A 平台”，极为火爆。但作者查看源码发现，该平台是前端单机戏法、点击劫持的广告套利站。文中还介绍了 AI 概念下五种套利黑产及识别方法。
红杉资本：服务，新时代的软件
红杉资本 Julien Bek 文章探讨 AI 将“服务”转变为“软件”趋势。指出下一个万亿美金公司或为“服务”外衣的软件公司，分析智力与判断力、副驾驶与自动驾驶等，还给出机遇地图及典型公司案例。
2.6K Star！超逼真端侧TTS模型，0.5B参数3秒音频即时克隆！
文章介绍开源项目NeuTTS Air，它是免费、轻量级超逼真语音合成模型，仅0.5B参数，媲美商用TTS引擎，能在低功耗设备运行，支持3秒音频克隆声音，还给出使用步骤和应用场景。
开源真强大，不敢相信，太真实，揭秘8.3k star 开源神器 VoiceCraft 如何封神！！！
VoiceCraft 是多团队合作推出的零样本语音编辑与 TTS 开源项目。它能几秒克隆语音，实现编辑功能，支持零样本文本转语音，在真实场景音频中性能超 XTTS - v2、VALL‑E 等模型，解决了内容创作和编辑痛点。
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。
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。