「端到端语音模型」共找到 8077 篇相关文章
刚刚，加入腾讯的姚顺雨发表首篇Paper~
腾讯混元与复旦联合发表论文《CL-bench》，姚顺雨署名并全面细致审阅反馈。CL-BENCH 首次单独考‘现学现卖’，有独特设计原则、四大题型，其评分杜绝‘差不多’，还让 10 个前沿模型‘翻车’。
ElevenLabs 发布“视频到音乐”：AI 读懂视频内容，为其创作氛围匹配的 BGM。
ElevenLabs推出“视频到音乐”功能，其“Eleven Music”模型能分析视频上下文、情绪和风格，一键生成匹配的定制背景音乐，还能添加画外音和音效，为创作者提供端到端音视频解决方案。
不用上传数据了！苹果正式开源 Embedding Atlas，用 Rust+WebGPU 在桌面实现科研级数据分析
苹果发布开源工具 Embedding Atlas，支持对大规模嵌入向量交互式可视化与探索。它在浏览器端运行，保障数据隐私，有多种可视化功能，提供 Python 包和 npm 库，已在 GitHub 开源。
AI驱动的卡片笔记项目
Blinko是AI驱动的卡片笔记项目，方便快速捕捉和组织灵感。有AI增强笔记检索、数据所有权保障等特性，支持多平台，还具备离线语音识别功能，支持多种AI模型，是开源项目。
B站下场自研AI配音！纯正美音版甄嬛传流出，再不用看小红书学英语了（Doge）
B站发布TTS模型IndexTTS2，亮点是实现时长控制时再现符合Prompt的情感特征，支持两种生成方式，经测试多项指标达SOTA。它由三核心模块组成，还可能是代号H的AI创作工具一环。
挤不动的世界机器人大会上，自变量秀出了真·通用具身智能
2025世界机器人大会上，自变量机器人展示多项成果。通用轮式双臂机器人“小量”“小白”能完成制作香囊、家务整理等任务；“量子2号”仿人形机器人动作精准自然；其具身智能基座模型WALL - A有强大泛化性。
8亿！OpenAI发布企业AI现状报告
OpenAI发布《2025年企业AI现状报告》，基于真实数据与调研公开企业级AI使用规模。ChatGPT周服务超8亿用户，企业端增长惊人，各行业渗透加速，员工也感受到实际价值，同时前沿与普通用户差距拉大。
6秒造一个「视频博主」，Pika让一切图片开口说话
8月11日，Pika推出“音频驱动表演模型”，允许用户上传音频结合静态图片生成高度同步视频，角色口型、表情、动作自然，平均6秒出720p高清视频，目前仅限iOS端且需邀请码。
腾讯混元最新开源：一套RL框架打通多个模态，庞天宇团队新作
大语言模型的RL技术已成熟，但多模态生成模型的强化学习训练仍“各自为战”，制约AIGC模型能力上限。腾讯混元庞天宇团队开源UniRL框架，打通多模态RL后训练，覆盖多种模型，内置算法与奖励组件。
让 AI 像真人一样操控手机完成各种复杂任务
MobiAgent是强大的移动端智能体系统，含智能体模型家族、加速框架、评测基准。能让AI像真人操控手机完成复杂任务，提供开箱即用App，内置经验检索模块可自动优化规划。