「实时语音转文字」共找到 580 篇相关文章
B站发布最强零样本TTS，IndexTTS2情感可控、时长精准
在大规模TTS系统中，自回归模型难精准控制语音时长。Bilibili推出IndexTTS2，支持两种生成模式，实现情感表达与音色解耦，引入GPT潜在表示，设计‘软指令’机制，降低情绪控制门槛。
官方文档翻译：Nano Banana Pro 终极开发指南
本文是 Nano Banana Pro 开发指南，介绍其通过‘思考能力’、实时搜索和 4K 画质构建应用。涵盖在 Google AI Studio 试玩、环境搭建等内容，还给出使用最佳实践与提示词技巧。
本地/云电脑双模式，豆包来了！
黄叔实测豆包「工作任务」模式，其有独特的本地/云电脑双模式。本地能分析电脑内存问题，云端可处理监控任务，还能助力开发复杂项目，且Skill自动接入，与本地电脑实时同步。
刚刚，全球首个超高帧世界模型诞生！英伟达含量0，狂飙50帧
魔芯科技联合浙大潘云鹤院士团队发布全球首个Flash World Model——MoWorld，全栈基于国产NPU，实现50FPS实时推理，推理成本降70%，为世界模型产业化带来新思路。
AI 互动游戏的 GPT 时刻到了！谷歌Genie 3首测！太牛了！
谷歌去年发布世界模型Genie 3，支持实时生成可交互视频内容，因成本高未开放。现美国18岁以上Ultra用户可试玩，其操控延迟低、画面清晰、物理交互真实，还介绍了操作流程等。
ChatGPT开始预测用户年龄，NSFW内容要来了！
OpenAI于1月20日更新推出年龄预测功能，通过分析用户多方面信息判断是否为18岁以下。网友测试发现猜测较准，这或使NSFW内容限制放宽，不同模型版本情况有别，更新还改进语音和记忆功能。
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
Cursor 内置三大文档工具，为AI 编程注入精准上下文
大模型编程易因知识陈旧致代码出错，为其提供实时上下文是关键。Cursor 有 @Docs、@Web、MCP 三大文档工具，能处理不同文档，还可协助创建和更新文档，弥合模型知识与项目需求的鸿沟。
阿里又上好货了！Qwen3-TTS能力大幅提升
阿里刚发布Qwen3-TTS（2025-11-27版），解决语音合成核心问题。它音色大幅扩展，有49种高品质音色；语言和方言能力提升，支持10种主流语言与多种方言；韵律和语速优化，拟人化近真人；API调用简单。
PPT制作和演示，用这个开源项目就够了，直接安全高效！
Bento 演示文稿是 PowerPoint 替代品，是单个 HTML 文件，约 560KB，无需安装等，打开即用。它功能丰富，如 Morph 演示、实时协作等，还支持与 AI 结合，具备多种关键技术，从源码构建也很方便。