「说话人识别」共找到 1347 篇相关文章
说话像ChatGPT，统统拉黑！「AI腔」正毁掉社交，奥特曼都受不了
自ChatGPT发布，「AI腔」遭网友诟病。奥特曼吐槽Reddit上的AI腔调，担心失去人性。研究表明ChatGPT影响人们交流方式，有人反向操作调教AI，也有人指出AI弱点，强调人性不可取代。
数字人视频革命！MultiTalk开源：15秒多人对话一键生成，歌唱/卡通全驾驭！
在AI驱动的视频生成领域，创建多人对话场景是难题。MultiTalk是开源音频驱动多人对话视频生成框架，由MeiGen - AI等联合研发，输入多路音频等就能生成嘴型同步的视频，适用于多种场景。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
华为昇腾推理对决：开源vLLM vs 官方MindIE，数据说话「Qwen与DeepSeek推理实测」
文章围绕华为昇腾推理，对比开源vLLM与官方MindIE。借助GPUStack平台测试Qwen与DeepSeek模型，分析不同场景性能。指出vLLM和MindIE各有优势，还强调构建国产AI推理生态需多要素，鼓励开源协作。
真碾压Sora了！谷歌Veo 3首次实现音画同步，视频模型直接「开口说话」
谷歌正式发布Veo 3，它能生成高质量视频，还能理解原始像素，自动生成与画面同步的对话、多种音效。得益于DeepMind的V2A底层技术，其音画合成功能领先。虽有时长和使用门槛限制，但已足够震撼。
这个周末，很多人都在等一个额度重置，以及对 Work 模式的吐槽
ChatGPT Work 模式上线后，Token 消耗快，用户等额度重置。该模式与 Codex 易混淆，前者处理通用知识类长任务，后者面向软件开发。国内外产品纷纷推 Work 模式，未来或融合。
SeeDance 2.5：AI 一次能出 30 秒视频，被重新定价的是这几层人
7 月初，字节在火山引擎 FORCE 大会上放出 SeeDance 2.5，它能一次性生成 30 秒完整成片。文章详述其能力，提出视频生成的不可能三角判断框架，还分析它会重新定价产业链上多个环节，改写产出随机性。
刚刚DeepSeek宣布大规模扩张，整体至少扩员一倍，全体岗位集体喊人加入
DeepSeek宣布大规模扩张，各部门规模至少扩一倍。其发力点包括底层算力与系统优化、高质量数据、Agent与应用落地及探索Next Level科研。用人反内卷、反官僚，岗位接受实习，还新增AGI核心业务管培生。
国产「3D版Anthropic」再获数亿融资！60人初创，卡住全球3D脖子
影眸科技完成数亿元新一轮融资，发布全球首个具千万面级生成能力、引入‘先思考、再生成’逻辑的3D大模型Hyper3D Rodin Gen - 2.5。其有诸多优势，获多巨头认可，目标是定义空间智能底层规则。
LiblibAI 母公司完成近 3 亿美元融资：AI 应用层开始进入「收入说话」的阶段
近日，演语科技披露近3亿美元B+轮融资，投后估值超20亿美元。其旗下有LiblibAI、LibTV、星流等业务，已构建AI创意内容生产应用矩阵。截至2026年5月，ARR达3亿美元，收入年同比增超3000%。