搜索：端到端语音模型

「端到端语音模型」共找到 7992 篇相关文章

击败GPT、Gemini，复旦×创智孵化创业团队「模思智能」，语音模型上新了

近日，由复旦邱锡鹏担任首席科学家的模思智能发布多说话人自动语音识别模型 MOSS - Transcribe - Diarize，性能超 GPT - 4o、Gemini 等。它解决语音领域落地痛点，跑分亮眼，还解决 SATS 方案不足，开放 API 限时免费。

Meta AI发布Omnilingual ASR自动语音识别模型并开源。它能转录超1600种语言，含500多种首次被AI理解记录的语言，还可通过少样本扩展到5400多种，改变了多语言ASR构建范式。

MiniMax的Speech-02语音模型登顶国际榜单，超越OpenAI等海外模型。它引入可学习说话人编码器，有高扩展性，还能结合文本描述生成音色。测试显示其音色丰富、读音准、支持多语种，声音复刻逼真。

在数字经济与物流产业融合背景下，B端营销面临挑战。京东物流王春阳分享B端营销实践，从人机协同到全流程大模型培育，用Agentic Workflow破‘机械感’难题，实现降本和转化率提升。

3月2日，小鹏汽车宣布第二代VLA正式推送。何小鹏认为，端到端小模型无法让自动驾驶从L2跨越到L4，而第二代VLA开创全新物理模型范式，能直接学习真实物理世界，还在不断迭代提升。

腾讯开源端到端文档OCR模型POINTS-Reader，论文被EMNLP 2025主会录取。它提出可扩展数据生成方案，具简洁、性能好、高吞吐量等特点，通过两阶段训练方案解决依赖蒸馏数据问题，在多基准测试表现佳。

这是为whisper.cpp提供的Unity3D绑定库，能在本地设备高性能运行OpenAI Whisper自动语音识别模型推理。支持多语言识别与翻译，有不同大小模型，可本地运行，还介绍了使用方法。

腾讯开源端到端文档转换视觉模型POINTS - Reader，可将文档图片转结构化文本。它基于POINTS1.5架构，支持中英文。在OmniDocBench基准上，中英文错误率暂列最佳，具零后处理简单等亮点。

近日，极佳视界与湖北人形机器人创新中心联合发布端到端VLA具身基础模型GigaBrain - 0，这是国内首个用世界模型生成数据实现真机泛化的模型，后续将全面开源，能完成复杂操作，实验成功率超SOTA方法。

RLFactory是开源的端到端RL后训练框架，将环境与RL后训练解耦，有极致易用、高效训练等特点。它让用户专注奖励逻辑和工具配置，还能提升训练效率，用Qwen3和MCP工具可快速训练DeepSearch模型。