「语音操控」共找到 354 篇相关文章
锁定角色，「多主体」也可控！个性化文生图，给你PS般交互体验
LayerComposer革新个性化图像生成，能让用户如在Photoshop般操控元素位置、大小，解决传统方法交互性与多主体扩展难题。它有分层画布、锁定机制、模型–数据共设计三大特点，实验表现出色，未来将促进人机协同创作。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
VLA统一架构新突破：自回归世界模型引领具身智能
北京智源研究院联合中科院自动化所提出 UniVLA 全新 VLA 模型架构，基于全离散、自回归机制建模多模态信号，后训练引入世界模型。它刷新多项基准纪录，在真机操控和自动驾驶有潜力，为多模态感知决策融合带来新思路。
从零开始，教你用Codex搓出属于你自己的第一个硬件。
作者分享用Codex开发久坐提醒猫爪硬件的过程。先与Codex聊需求、写代码，再按其提供的清单买硬件，连线、烧录也靠它指导，还可让它调试动作、操控3D打印，体现AI时代硬件开发的便捷。
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
老黄亲自站台，英伟达编程神器！Cursor 2.0自研模型狂飙4倍
Cursor 2.0版本重大升级，发布自研编码模型Composer，速度是同等模型4倍。还重构IDE交互逻辑，支持多智能体模式，引入语音模式等。早期测试和开发者反馈其速度快，但智能程度与部分模型有差距。
13年死磕一个真理，这家中国AI黑马冲刺IPO
云知声深耕AI 13年，即将冲刺港交所IPO。它从单一语音识别发展为全栈AGI方案商，以智慧生活和智能医疗双轮驱动，营收稳健增长。其坚持技术创新，构建全栈自研体系，有望在AI时代持续领跑。
AI硬件闭门探讨：未来硬件只是数据的入口，接下来是「软件定义硬件」的时代
文章围绕AI硬件展开探讨，介绍了如Plaud录音卡片、智能眼镜等产品现状。指出多数用户对当下AI硬件不满，市场尚处早期。分析不同产品成功因素、竞争压力，还提及情感陪伴类产品问题，强调未来是「软件定义硬件」时代。
智谱AutoGLM上线：给每个手机都装上通用Agent，AI从"对话"走向"操作"的里程碑
智谱AI上线AutoGLM，这是全球首个手机通用Agent，能让AI操作手机完成复杂任务。其技术架构强大，在多方面表现优异，与其他AI助手相比优势明显，还推出情感语音模型GLM - 4 - Voice，正推动大模型落地AI手机。
WPS没有忘记WPS｜甲子光年
在世界人工智能大会上，多家企业推出AI PPT类产品，但大多只能生成，不会使用PPT。金山办公发布WPS AI 3.0版本——WPS灵犀，它是原生Office办公智能体，能像人一样使用办公软件，还带来灵犀语音助手和WPS知识库。