「文本转语音」共找到 800 篇相关文章
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
ACL'25首届博士论文奖 | 重新思考 LLM 中的数据使用
近日，第一届 ACL 计算语言学博士论文奖获得者是 Sewon Min，其论文《重新思考大型语言模型中的数据使用》围绕大型语言模型如何使用训练所用的庞大文本语料库展开研究。
Soul APP开源了一款高保真播客生成框架，90 分钟对话零崩盘！
Soul APP背后的Soul AI Lab发布开源项目SoulX - Podcast，是高保真推理框架，能生成90分钟以上连贯对话，有多方言切换等功能，或重塑语音内容产业生产方式。
Claude Code 能写十万行代码，读一篇公众号就废了
Claude Code 读链接能力弱，qiaomu - markdown - proxy 这个 Claude Code Skill 可解决。它按 URL 类型走不同通道抓内容转 Markdown，全程免费，安装简单，解决了 Claude Code 系统性短板。
实测 Vibe Key：开口使唤 AI，真有当甲方的感觉
本文作者实测优篮子Ulanzi与腾讯WorkBuddy联合推出的Vibe Key AI键盘麦，体验语音调用AI完成创作、办公任务，分析产品优势与不足，给出针对性购买建议。
视觉优势还是语义依赖？揭秘 DeepSeek-OCR 高压缩率背后的真相
中科院等团队论文剖析 DeepSeek - OCR，通过实验揭示其高压缩率下准确率高或依赖语言先验。去掉语言先验，准确率暴跌；下游任务推理崩塌，长文本处理也有瓶颈。
炸裂黑科技，脑波沟通来了！AlterEgo让你在大脑中发声
AlterEgo是一种非侵入式、可穿戴的外围神经接口，能让人用自然语言与机器等交流，无需发声。它始于2018年MIT媒体实验室，2025年初独立运营，可用于帮助语言障碍者，还能融入日常生活。
OpenClaw现在可以直接生成视频了，支持12家视频模型提供商
Peter Steinberger宣布OpenClaw新版推视频生成功能，让Agent完成文本到视频流程。它集成12家视频生成提供商，异步生成，使用简单，支持丰富参数配置，官方文档见https://docs.openclaw.ai/tools/video-generation 。
HOIDiNi：一句话驱动虚拟人高精度操作物体
特拉维夫大学提出HOIDiNi，这是文本驱动的扩散框架，用于生成人体 - 物体交互动作。它引入扩散噪声优化，能兼顾真实感与物理正确性。不过它泛化能力待拓展、生成速度慢，未来需提升效率等。
OpenAI「自首」！联手MIT证明：ChatGPT用得越多越孤独
OpenAI联合MIT进行四周随机对照实验，追踪981名受试者超30万条聊天消息。结果显示，ChatGPT用得越多，人越孤独，信任度越高伤害越深，语音模式长期副作用大，超120万用户心理亚健康。