「文字转语音」共找到 471 篇相关文章
Soul App 又放大招！把 42000 小时数据喂出的“歌神” SoulX-Singer 开源了！
语音合成近年爆发式增长，开源领域也有强大音乐模型。Soul APP联合多机构开源的SoulX - Singer，喂了42000小时数据，主打零样本歌声合成，支持双控制方式，多语言与跨语言能力强，架构先进，评测表现优。
斯坦福李飞飞团队，带你一句话进入无限3D世界
斯坦福李飞飞团队推出Marble平台，能将图片或文字变成3D世界。其有持久存在、可自由导航、可自定义操控等特性，技术或与3DGS有关，实测领先竞品，World Labs获巨额投资，估值超10亿美元。
真·全民AI健康管家来了！实测蚂蚁AQ：追问识药看皮肤，还能连医院接硬件
蚂蚁上线AI健康管家APP——AQ，有超百项AI功能，连接超5000家医院、近百万医生等。它能追问识药看皮肤，打通硬件，设语音通话。凭借技术和生态优势，实现从技术工具到健康管家的跃迁。
一篇讲透Agent自进化飞轮怎么搭：评测→记忆→落地→控制
文章指出多数团队评测、记忆、Self - Improve 拆分做，飞轮难转，原因是环节衔接断链。基于行业研究及实践，提炼评测→记忆→落地→控制四齿飞轮方法论，阐述各环节核心矛盾、建设要点、避坑指南及咬合形成飞轮的方法。
Opus 4.5之后，AI正在催生“巨头型百人公司”
Opus 4.5发布后，Agent赛道洗牌，模型差距由Agent Loop拉开。本文围绕Cherry Studio，与创始人及投资人探讨AI公司护城河、开源意义、用户价值差异等，指出未来将催生“巨头型百人公司”。
把视频变成图文博客：Agent + 豆包 Seed2.0 lite 重做 Karpathy 两年前的工作流
本文以重做 Karpathy 两年前工作流为例，介绍用 Agent + 豆包 Seed2.0 lite 将视频转为图文博客的方法。详述四步流程，指出其局限，还说明该模式可用于竞品直播追踪、在线课堂报告、游戏赛后复盘等场景。
AI 驱动的多代理金融工作台
Vibe-Trading 是 AI 驱动的多代理金融工作台，能将自然语言请求转化为交易策略等。它有自然语言转策略、多数据源、专家团队等核心能力，具备面向交易的深度研究等功能，还介绍了安装方式、环境变量和推荐模型。
OCR 发生了一件反直觉的事
百度 PaddleOCR 团队的 500 万参数模型 PP - OCRv5，在文字识别准确率上可与 Qwen3 - VL、GPT - 4o 等巨无霸模型抗衡。团队挑战‘模型越大，效果越好’，认为 OCR 中数据质量比参数重要，通过实验证明并优化数据。
人跑光了，AI视频炸了！马斯克狂发推：Grok Imagine三金封神
xAI的Grok Imagine在DesignArena视频排行榜上，拿下视频竞技场、图像转视频和视频编辑三项第一，远超谷歌Veo 3.1、Sora等对手。它进步迅猛，靠聪明设计取胜，还将推动AI从“蛮力计算”向“智能理解”转变。
9B 模型“平替”GPT-4o ？！面壁赌对OpenClaw端侧AI，内部上演一人月产65万行代码的效率核爆
2023年面壁智能转攻端侧大模型，起初遭质疑，后获市场认可。今年发布开源全模态模型MiniCPM - o 4.5，年中还将推AI硬件松果派。其内部有“一人公司”趋势，对未来端侧智能发展有清晰判断。