「语音输入」共找到 471 篇相关文章
一键秒懂GitHub仓库，开发者必备！
面对陌生的GitHub项目，直接把代码扔给AI效果不佳。而`Gitingest`这款开源工具，能将Git仓库转化为适合LLM处理的文本摘要，适配各类AI助手输入需求，使用方式灵活，在GitHub上很受欢迎。
从 LLM 到 World Model：为什么我们需要能理解并操作世界的空间智能？
文章指出 LLM 仅靠语言不足以支撑真正智能，构建空间智能与世界模型成关键方向。2024 年李飞飞等创立 World Labs，11 月推出 3D 世界生成模型 Marble，本文探讨空间智能重要性及世界模型如何成转变基础设施。
把 Nano Banana/Gemini 3 Pro 榨干！这几点你必须知道
Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。
HumanSense：探索多模态推理边界，打造「察言观色会共情」的全模态交互伙伴
蚂蚁集团与西安交通大学联合提出并开源 HumanSense，含评估基准与推理模型。通过细粒度评测、全模态消融等研究，提出优化策略，项目已在 GitHub 和 HuggingFace 开源，推动 AI 交互体验革新。
文本已死，视觉当立！Karpathy狂赞DeepSeek新模型，终结分词器时代
DeepSeek新成果DeepSeek - OCR以像素处理文本，压缩率小于1/10，基准测试领跑，开源一夜获4.4k星。Karpathy力挺，认为应赶走分词器，展望视觉成通用输入前景，马斯克有更科幻猜想。
Karpathy盛赞DeepSeek-OCR“淘汰”tokenizer！实测如何用Claude Code 让新模型跑在N卡上
DeepSeek发布新模型DeepSeek - OCR，有诸多技术贡献，获Karpathy等盛赞。它或让文本token输入方式被淘汰。开发者Simon用Claude Code让其在N卡上运行成功，分享了详细过程与经验。
清华&巨人网络首创MoE多方言TTS框架，数据代码方法全开源
清华与巨人网络联合首创 DiaMoE-TTS 多方言 TTS 框架，数据、代码、方法全开源。它基于 IPA 体系，有 MoE 架构和低资源适配策略，在多语种验证，为方言语音合成提供低成本、可扩展方案。
老牌Transformer杀手在ICLR悄然更新：Mamba-3三大改进趋近设计完全体
Transformer架构仍是AI主流，Mamba作为挑战者影响力大。Mamba-3在ICLR 2026盲审，有梯形离散化、复数化状态空间模型、多输入多输出状态空间模型三大改进，实证表现佳，适合多场景。
清华大学x生数科技：从波形到隐空间，AudioLBM引领音频超分新范式
音频超分辨率是提升音频体验的关键技术，但高频细节损失是挑战。OpenAI的Sora 2树立高保真音频生成标杆，现有学术模型有局限。清华与生数科技团队发表两项成果，AudioLBM展现通用高分辨率音频生成潜力。
一分钟的奇迹与幻觉：实测世界模型Happy Oyster
4月16日阿里发布世界模型Happy Oyster，支持多模态输入与音视频联合生成。实测显示，它在场景构建、渲染上有优势，可替代部分传统引擎工作，但存在一致性不足问题，现阶段更适合改造游戏开发流程。