「实时语音识别」共找到 764 篇相关文章
跨平台智能媒体处理与创作工具箱
pyMediaTools 是基于 PySide6 的跨平台桌面应用，集成媒体批处理和 AI 音视频创作工具。利用 FFmpeg、ElevenLabs 和 Groq API，有格式转换、语音合成等功能，还介绍了安装、配置、打包方法。
让ChatGPT连读“A”，直接崩溃到念广告词，网友：拿付费用户做测试呢？
ChatGPT付费用户体验高级语音模式时遇怪事，正常聊寿司时突然插播广告，连读“A”也会如此。网友猜测是广告插入或“幻觉”，OpenAI技术人员称是幻觉，而国产AI无此问题。
豆包上了视频通话后，我妈再也不用攒着问题等我回家了。
豆包上线视频通话功能，作者第一时间告知妈妈使用。妈妈借助豆包解决了重置手机、识别花等问题，还帮外婆安装。视频通话互动陪伴感强，降低使用门槛，让亲人享受科技温暖。
3行代码做出自己的数字人，GitHub爆火的国产项目你用上了吗？
中国硅基智能推出HeyGem与DUIX两大开源项目，在GitHub引发热潮。HeyGem能快速克隆数字分身、生成4K视频，DUIX支持实时交互，二者构建完整技术闭环，推动数字人技术普及。
20岁了！劈柴哥发帖庆生：谷歌翻译换了4代AI，第一次有了「呼吸感」
4月28日，Google Translate满20岁，Pichai发帖纪念，回顾其技术发展，从统计模型到神经网络，再到Gemini原生语音模型，Translate不断进化，能保留语调和节奏，虽被大模型抢风头，但仍在持续进步。
谷歌全新Gemini Omni首曝，视频版「香蕉」来了！教授黑板推公式全对
谷歌原生视频模型Gemini Omni意外曝光，其生成视频的连贯性、一致性惊艳，还能实现实时编辑。此前OpenAI的Sora App停服，谷歌I/O 2026将开幕，多款Gemini模型或亮相。
剪辑 Agent 字幕升级：99% 正确率的字幕，一条指令直接推进剪映
作者成峰重做剪辑 Agent 字幕功能，结合 capcut - mate 项目，接入语音识别服务等优化流程。字幕准确率最高达 99%，还介绍了 5 步使用方法，解决非技术用户使用门槛问题。
未来已来：a16z 描绘Agent时代的开发者工作流（内含 9 大关键模式）
知名风投机构 a16z 发布 Insight，认为开发者将 AI 作为构建软件新基石，传统开发范式因 AI Agent 参与而变革。其识别出九个新兴开发者模式，预示 AI 时代开发工作新图景。
支持30种语言，多种中文方言 [四川话、粤语等]的颠覆性无分词器TTS系统
VoxCPM是无离散音频分词器的语音合成系统。VoxCPM2基于MiniCPM - 4构建，有20亿参数，支持30种语言和9种中文方言，具备音色设计、可控声音克隆等特性，还完全开源，商用就绪。
CVPR 2026｜DROID-W：复杂室外动态场景，也能稳定SLAM
苏黎世联邦理工与微软团队提出 DROID - W 动态 SLAM 框架，即将发表于 CVPR 2026。它不预设动态物体，从多视角观测识别不可靠区域，还提出交替优化方案，在多个数据集表现优。