「端到端实时语音模型」共找到 8062 篇相关文章
Lyft 使用 AI 和人机协同扩展了全球范围内的本地化能力
Lyft 实现 AI 驱动的本地化系统，加速应用与网页内容翻译。新系统结合大语言模型、自动评估与人工审核，将翻译周期从数天缩至分钟级，兼顾质量与适配性，还分批量和实时翻译架构处理不同场景。
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’。
刚刚，清华团队养出了一只「龙虾老师」！教育版OpenClaw震撼开源
清华教育学院与计算机系联合团队开源多智能体AI课堂OpenMAIC。它能一键生成交互式课程，AI老师语音授课、AI同学互动。经两年真实课堂验证，支持主流大模型，有望成教育版ClawHub。
加拿大丛林迷路五小时，ChatGPT救命神技，比地图还靠谱！
一群人在加拿大森林迷路5小时，手机电量低、Google Maps失灵，靠向ChatGPT发实时坐标获导航指引脱险。此外，上海交大团队推出PathGPT，用大模型让导航可自然对话，虽有不足但潜力大。
Google 亲手证明：GUI 已死，但尸体还在动
Google DeepMind发布Flash - Lite Browser，能用Gemini 3.1 Flash - Lite实时生成网站。它表明GUI连预先设计都不需要，界面正发生三层分化，虽有不足，但展现界面从预制到即时生成的趋势。
清华系DeepSeek时刻来了，硅谷沸腾！单卡200倍加速，视频进入秒级时代
清华大学TSAIL实验室与生数科技开源视频生成加速框架TurboDiffusion，引发全球AI社区热议。它能在几乎不影响生成质量的前提下，让视频生成速度飙升100 - 200倍，将AI视频带入实时生成时代。
爆火的 AI 玩具赛道，全行业都在等一个「成功者」
过去一年，AI玩具创业火热，众多大厂背景创业者入局。但现状尴尬，鲜少有能售卖产品，已推出的产品反馈不佳。目前AI玩具实质多为毛绒玩具加语音盒子，创业者面临技术和成本等难题。
苹果OS全家桶12年最狠升级！AI入侵一切，唯独Siri没更
春季WWDC开幕，苹果OS全家桶迎十多年最大版本升级，统称OS 26。苹果AI进化，支持实时翻译、看屏搜物等。开发者工具升级，三行代码可调用苹果AI。各系统在设计、功能上均有革新。
从VLA到RoboOmni，全模态具身新范式让机器人察言观色、听懂话外音
复旦大学等联合推出全模态端到端操作大模型RoboOmni，统一多模态，实现动作与语音协同控制。它重新定义机器人交互范式，让机器人具备“察言观色”能力，还构建了OmniAction数据集，实验表现全面领先。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。