「实时语音转文字」共找到 581 篇相关文章
阿里重磅开源 0.5B TTS + 0.8B ASR，支持跨语种音色克隆、说唱识别！
2025 年 AI 圈风向变了，开始卷端侧模型。阿里 FunAudioLLM 团队发布 Fun - CosyVoice3 0.5B 和 Fun - ASR - Nano 0.8B，TTS、ASR 双线程开源，是工程级版本，目标是在本地跑顺‘听 + 说’。
免剪辑直出！AI生成多角色同框对话视频，动态路由精准绑定音频
Bind-Your-Avatar基于扩散Transformer框架，通过细粒度嵌入路由将语音与角色绑定，实现精准音画同步，还引入数据集MTCC和基准测试，实验显示其在身份保真和音画同步上优于现有方法。
蚂蚁深夜开源比肩Genie 3的世界模型，我也看到了具身智能的未来。
蚂蚁旗下灵波科技凌晨开源世界模型LingBot-World，可对标Google Genie 3。它能实时交互生成世界，与视频生成模型不同。有三个版本，具备长时记忆稳定、风格泛化性强、动作代理出色等特点。
我用AI同传干掉了英语发布会，爽。
作者因听不懂英语发布会，借助豆包同传2.0 API自制AI同传工具。虽开发遇诸多难题，但最终用音频重定向解决。该工具能实时翻译，还可复刻音色，也肯定专业译员能力。
抛弃预定义Tool，首次提出通过动态工具生成的Agentic多模态Reasoning，破31%涨幅
视觉推理任务中，传统多模态大模型依赖预定义工具，灵活性与领域适应性差。PyVision 框架首次让 MLLM 在推理中实时生成、执行并迭代 Python 工具，在多类任务中显著提升性能，实现范式跃迁。
视听分离SOTA提速6倍！清华发布首个6M高性能模型｜ICLR'26
清华大学团队推出Dolphin模型，仅用6M参数，通过离散化视觉编码和热扩散注意力机制，实现单次推理精准分离语音，速度提升6倍以上，在多项基准测试中刷新纪录，为端侧设备部署开辟新路。
刚刚！Meta把大模型塞进脑机接口，隔空读脑直逼开颅植入水平，代码全开源
Meta推出Brain2Qwerty v2，号称性能最强端到端方案，能基于非侵入式脑部记录实现实时句子级解码，准确率逼近开颅手术水平。还开源代码，公开数据集，旨在帮脑损伤患者交流。
李飞飞的创业公司放大招：只要一个 H100 就能跑世界模型
“AI 教母”李飞飞的创业公司 World Labs 推出高效世界模型 RTFM，只需一个 H100 GPU 就能一边和用户交互，一边实时渲染 3D 世界，显著降低硬件成本和部署难度，渲染效果也不俗。
对话「闪念贝壳」创始人 Ping：用 AI 抓住灵感消散前的 3 秒
本文是对闪念贝壳创始人 Ping 的访谈。他讲述创业初心，介绍闪念贝壳这款语音记录笔记产品，称其与传统笔记不同，更注重驱动思考和行动，还分享用户案例、谈竞品及硬件计划等。
扬言将杀死9个行业，21岁小哥又开发人生作弊器，曾被哥大、哈佛开除
曾被哈佛、哥大开除的21岁小哥Roy Lee创办Cluely公司，推出AI工具Cluely，获多轮融资。该工具能在多场景实时辅助，被称“人生作弊器”，虽有伦理争议，但或颠覆更多行业。