「文字转语音」共找到 471 篇相关文章
The Batch: 969 | 谷歌的机器人模型有了腿
谷歌发布 Gemini Robotics 2（GR2），能将相机图像和文字指令转为机器人关节控制命令，可同时控制人形机器人腿、躯干、手臂和手部，简化模型训练和设计，不过谷歌未公布其基础模型等信息。
李飞飞发布全新世界模型
李飞飞团队的World Labs发布两款新模型Marble 1.1和Marble 1.1 - Plus，能将平面照片转化为3D世界、提升画面清晰度。二者各有侧重，前者重画质优化，后者重空间生成，官方建议新用户从1.1开始用。
断层碾压Seedance 2.0：神秘「欢乐马」空降榜首，视频AI变天了
周二晚间，代号「HappyHorse - 1.0」的神秘视频生成模型在 Artificial Analysis 平台空降榜首，不论文字生视频还是图像生视频都排第一，拉开 Seedance 2.0 很大差距，不过在「视频 + 音频」综合排名上屈居第二，引发诸多猜测。
昆仑万维开源的SkyReels-V3，把马斯克请来带货了
1月29日，Skywork AI团队宣布开源SkyReels - V3多模态视频生成模型系列，涵盖三大核心能力，达业界领先。经测试表现出色，其技术有创新，且模块化设计适配性强。昆仑万维此前在视频生成领域迭代快，此次开源或加剧竞争。
比SOTA快9倍，谷歌DeepMind时空重建，把视频变成时空搜索引擎
谷歌DeepMind联合团队发布D4RT时空重建框架，颠覆传统视频转3D方法。它按需提问，像搜索引擎，处理动态视频高效。内部结构分编码、解码两步，速度快，还发明聪明收割机算法，在多项测试中表现优异。
3 个月达成 5 亿平台播放量，Wispr Flow 分享如何做好红人营销
Wispr Flow是语音输入法中出圈且具代表性的产品，增长快、付费强、使用频。其靠红人营销3个月在两平台获超5亿播放量。19岁实习生分享经验，涵盖招人、判断品味、分层管理等方面。
“被投资人怒怼30分钟后，我更确定中国To B的答案” | 甲子光年
文章讲述百融云创在AI To B领域的探索。它突破传统“卖工具”模式，采用“结果计价”，共担结果、承包KPI。技术上提前押注语音对话技术栈，“硅基员工”概念落地多场景，有望推动中国To B行业进入新秩序。
腾讯把这个 AI 产品做活了：两分钟一次按快门
作者分享使用腾讯会议AI纪要的体验，它每两分钟自动记录会议要点，还能捕捉气氛意图。会后可一键送进腾讯元宝追问，适配多样场景。此外，腾讯会议还有录制、语音转文字等功能，音效也有提升。
基于离散扩散模型的高效音频修复方法
数字音频时代音频易损坏丢失，传统修复法处理长间隙不佳。本古里安大学研究人员提出基于离散扩散模型的音频修复法，经MusicNet数据集实验验证，该方法在各间隙长度上表现优异。
马斯克版微信亮相：支持中文，加密聊天，还专门防截屏
马斯克版微信XChat将于4月17日上线，支持中文版。其核心主打加密聊天，功能有文字、图片等发送及视频通话，还内置Grok模型。不过网友质疑其难成功，因X已有聊天功能，且微信生态难撼动，市场竞争大。