「无声语音交互」共找到 810 篇相关文章
剪辑 Agent 字幕升级：99% 正确率的字幕，一条指令直接推进剪映
作者成峰重做剪辑 Agent 字幕功能，结合 capcut - mate 项目，接入语音识别服务等优化流程。字幕准确率最高达 99%，还介绍了 5 步使用方法，解决非技术用户使用门槛问题。
盛大AI研究院新作：流式生成超越非流式，一句话让虚拟人动作丝滑如真，推理延迟仅1帧
盛大AI研究院与东京大学联合提出FloodDiffusion，首个基于定制化扩散强制的流式人体动作生成框架。它能零延迟生成无限长动作序列，解决了现有方法的问题，在多数据集评估中表现优异。
AI太难学？清华开源一批「学习虾」，免费的AI私教团来了
清华大学开源全球首个多智能体生成式学习AI技术框架OpenMAIC，它能将技术文档转化为零门槛学习课堂，还可解锁多种学习解法。其前身MAIC是重要学习平台，OpenMAIC功能强大，应用场景广泛。
Claude Opus 4.6推出极速模式：速度提升2.5倍，价格狂飙6倍
Anthropic官方宣布Claude Opus 4.6极速模式上线，速度比标准版快2.5倍，已向Claude Code和API用户开放。它非新模型，是重配置，价格更高，官方有优惠，还介绍使用方法、场景及限制。
这么哇塞的世界模型，竟然是开源的！
蚂蚁灵波开源通用世界模型LingBot-World，视觉效果与Genie 3不相上下且时间维度更长，能让用户深度参与，还具备一致性、记忆力等特点。它通过数据和模型层面创新炼成，结合此前开源成果构建具身智能基础设施。
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。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
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。
图生视频新玩法刷爆外网：图上画两笔就能动起来，终于告别文本提示
Higgsfield AI 是专注 AI 视频生成的初创公司，近期发布 Draw-to-Video 和 Product-to-Video 功能，前者画图形元素就能生成视频，后者可拖拽生成广告视频。它还常上新功能、集成热门模型，官网功能模板丰富。