「语音多模态」共找到 1188 篇相关文章
太简单啦，Call Center AI开源代码=AI语音客服，论文Demo一步到位，毕业设计神器！
Call Center AI是微软开源的AI呼叫中心解决方案，基于Azure相关服务和Azure OpenAI GPT，支持自动拨接电话等功能。能解决坐席不足等痛点，有一键API等亮点，适用于保险、IT支持等场景。
斩获7.4K标星！NotebookLM的终极开源平替，私有化多模态播客一键生成！
Google的Notebook LM虽能上传资料一键生成播客总结，但有数据隐私等问题。近期GitHub上的Open Notebook获7.4K标星，它复制并超越前者功能，强调数据主权，有多项亮点且部署灵活。
轻量级易开发，8B参数释放大实力！科学多模态模型Intern-S1-mini开源
上海人工智能实验室继7月26日开源后，推出轻量化版本Intern-S1-mini。它是8B参数“迷你模型”，兼具通用与专业科学能力，适合快速部署和二次开发，在多方面表现出色，还降低了对高端计算设备依赖。
理解、生成、编辑一次搞定：Skywork UniPic 2.0的统一多模态解法｜甲子光年
电商团队常面临创作流程繁琐问题，当前行业需统一架构。昆仑万维发布Skywork UniPic 2.0，整合理解、生成、编辑功能。它参数小性能优，还构建奖励模型，配合其他模型构建体系，具成本等优势。
字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流
文章介绍字节跳动的Seed1.5-VL模型，它能精准抽取复杂图表，处理模糊图片、推理几何题。其由视觉编码器和LLM组成，预训练语料丰富，后训练结合多种方法，推荐在huggingface体验。
7000字回看文档OCR多模态大模型狂潮史：129个模型、6个发展时期下的3点观察
文章梳理 129 款文档 OCR 模型的演进脉络，指出主力已收敛至 0.8B—1.3B 档位，训练配方固化为渲染合成、难样本挖掘与可验证奖励RL。
ICLR 2026｜原生多模态推理新范式ThinkMorph ，让文字与图像在统一架构中共同演化
NUS、ZJU 等联合提出「ThinkMorph」，主张文字与图像在统一架构「原生协作」。仅用 2.4 万条数据微调 7B 统一模型，视觉推理平均提升 34.74%，多项任务比肩或超 GPT - 4o 和 Gemini 2.5 Flash，还涌现新能力。
多模态推理新范式：上海AI Lab新作证明“画”出答案比“说”出答案更靠谱
上海人工智能实验室等联合提出DiffThinker模型，利用扩散模型构建全新视觉推理范式。它在视觉中心任务上表现优异，准确率碾压GPT - 5等模型，还能与MLLM协同推理实现1 + 1 > 2的效果。
Meta CTO打脸扎克伯格：首秀翻车全因致命bug，AI智商捉急、语音交互全面崩盘
Meta Connect开发者大会上，Meta发布三款智能眼镜，现场演示却屡屡翻车。扎克伯格归咎于Wi-Fi，CTO Bosworth否认，称是资源管理失误和软件bug所致，但网友对此解释并不买账，质疑团队能力。
Meta CTO打脸扎克伯格：首秀翻车全因致命bug，AI智商捉急、语音交互全面崩盘
Meta Connect开发者大会上，Meta发布三款智能眼镜，现场演示却屡屡翻车。扎克伯格将问题归咎于Wi-Fi，CTO Bosworth否认，称是资源管理和软件错误。网友对Meta解释不满，质疑团队能力。