「实时语音识别」共找到 764 篇相关文章
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。
仅有一位作者的论文，却补上了城市智能的「最后一公里」
郑宇教授用论文提出跨域多模态知识融合框架，在空气质量推断等多场景优势明显，其研究按数据选择等四阶段进行，解决数据难题，推动AI用于城市问题，为跨部门协作提供可能。
真情实感体验了阿里「千问APP」后，为什么说它是「中国的ChatGPT」？
近日阿里推出面向全球的千问APP。从产品定位、模型能力、效果来看，它接近ChatGPT，是“中国的ChatGPT”。它打通Qwen模型和应用，界面极简，功能多，体验佳，有望让大家重新认识阿里大模型应用。
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。
「死亡互联网理论」刷屏硅谷！Reddit创始人预警，奥特曼公开发声
近段时间，「死亡互联网理论」刷屏硅谷，Reddit联合创始人称互联网被AI内容淹没，失去了真实的生命力。OpenAI创始人Sam Altman也认同其有一定道理。如今AI浪潮加速了互联网「死亡」，还可能带来模型崩溃。
小红书最新开源TTS力作！4人对话自然无缝，毫秒极速响应！
近年来TTS技术爆发，但多人对话的自然流畅性和长序列稳定性一直是难点。小红书团队开源的FireRedTTS - 2是面向多人对话场景的TTS模型，实现自然切换和低延迟，支持多语言，适用于多种场景。
面向UE5的智能数字人系统
GMTalker是光明实验室媒体智能团队为虚幻引擎5.3打造的智能数字人系统，集成多种能力，适用于科研等场景。具备多功能特点，与其他开源方案对比优势明显，还介绍了环境要求、启动方式、配置、API等。
OpenAI：我们正朝着什么方向优化 ChatGPT？
OpenAI 官网文章称，ChatGPT 发展方向是成‘对你有用’的工具，不追逐 DAU 或让用户沉迷。它介绍了有用的使用场景，还提及健康使用方面的改进及与专家合作提升响应能力等内容。
蒙娜丽莎让大模型们几乎全军覆没！网友：懂了，AI不会眯眼睛
日本艺术家北冈秋吉创作的蒙娜丽莎图难倒一众大模型，ChatGPT、Gemini等表现不佳，国产玩家如豆包等也有判断失误。不过o3 - Pro一次性答对，GPT - 4o尝试三次猜对。