「实时语音识别」共找到 781 篇相关文章
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。
本周 5 个火火火的Github开源项目，太香了！
文章介绍了本周5个热门GitHub开源项目。有能生成城市地图海报的MapToPoster，离线翻译工具Argos Translate，终端历史增强神器Atuin，轻量超高效版OpenClaw的PicoClaw，以及开源轻量级文本转语音工具Pocket TTS。
可以用Claude Code来搞运维了
Claude Code刚发布后台任务功能，产品经理宣布它能处理长时间后台任务，不阻塞工作流程。有人将其变为全自动DevOps智能体用于运维，设置简单，还能语音播报、远程告警、自主诊断等。
把X接进Codex：AI终于有了自己的信息雷达
作者将X接入Codex，通过官方MCP直接调用X API获取数据。这让AI OS有稳定实时信号输入，成为主动工作系统。介绍接入步骤、费用及使用建议，如先跑小任务。