「实时语音转文字」共找到 566 篇相关文章
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。
斩获18.3K star！再见Airtable，这款Postgres驱动的开源表格神器要火！太 6了
Teable是基于PostgreSQL的无代码数据库平台，被赞为Airtable开源替代潜力股。它有百万级数据秒级响应等亮点，具备独特技术架构，适用于多场景，与同类对比优势明显。
斯坦福教授直播训练535B大模型，模型训练背后的「黑箱」正在被打开？
斯坦福教授Percy Liang宣布由Marin开放实验室启动训练Marin 535B - A23B模型，全程公开。过去大模型训练像“黑箱”，此次尝试让训练可观察、可讨论、可协作，引发网友关注。
刚刚开源不到1MB大小，每个AI程序员都该装！
当跑多个 AI Agent 时，很难第一时间了解每个 AI 状态。刚开源的 `abtop` 项目运行在终端，能实时展示 Claude 和 Codex 会话状态，不依赖 API Key，功能实用且安装方便。
剪辑 Agent 字幕升级：99% 正确率的字幕，一条指令直接推进剪映
作者成峰重做剪辑 Agent 字幕功能，结合 capcut - mate 项目，接入语音识别服务等优化流程。字幕准确率最高达 99%，还介绍了 5 步使用方法，解决非技术用户使用门槛问题。
盛大AI研究院新作：流式生成超越非流式，一句话让虚拟人动作丝滑如真，推理延迟仅1帧
盛大AI研究院与东京大学联合提出FloodDiffusion，首个基于定制化扩散强制的流式人体动作生成框架。它能零延迟生成无限长动作序列，解决了现有方法的问题，在多数据集评估中表现优异。
情人节暴击！下跪求婚的可以是机器人了
情人节，Unitree G1 人形机器人解锁求婚技能。背后是清华叉院等联合团队的 HuMI 框架，解决人形机器人数据采集难、效率低问题，通过硬件、交互与算法协同，实现低成本、高效全身操作策略学习。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
阿里 Qwen3-TTS 两大更新直接封神！支持跨物种音色克隆，3 秒复刻！
阿里通义上线 Qwen3-TTS 两大核心能力，VoiceDesign 支持全文本控制音色特征，VoiceClone 能 3 秒音频跨语言、跨物种克隆音色。更新指标亮眼，如 0.1 秒级生成速度等，还可上手体验。
arXiv开始拒收综述论文了？「论文DDoS」这事，这篇NeurIPS论文早有讨论
近日，arXiv宣布拒收未通过同行评审的综述和立场性文章，危机源于生成式AI与大模型。上海交大团队中稿NeurIPS的论文，精准预见此危机，提出“综述论文DDoS攻击”概念，还给出应对策略。