「实时语音转文字」共找到 581 篇相关文章
ACL 2026｜清华新作ControlAudio：声音何时响、说啥话？都能按剧本可控生成！
现有文生音频技术在精细化控制方面有挑战，清华团队提出ControlAudio方法。它通过数据构造、渐进式训练和引导采样，在统一框架下实现时间与语音内容联合建模，在多项任务上表现优于现有方法。
有人把巴菲特芒格炼化成Agent，然后开源了…
AI Hedge Fund项目将12位世界级投资大佬“炼化”成Agent，可实时分析股票、完善交易策略，还内置回测模块。它兼容13种大模型，部署门槛低，开源后获高星。不过多数框架未实盘，投资有风险。
从分钟级等待到20倍超速：LightX2V重写AI视频生成速度上限
今年，开源项目LightX2V在ComfyUI社区走红，单月下载超170万次。它是面向低成本、强实时视频生成的推理技术栈，能在消费级显卡上高效生成视频，还支持多种模型和硬件，覆盖不同用户需求。
1美元训出专属滤镜，AI把ASCII游戏画质拉满
软件工程师Jeff Schomay用AI将ASCII风格游戏‘雷霆蜥蜴’实时‘翻译’成全动态图形游戏。他借助fal.ai平台解决速度问题，经历多次尝试平衡速度与画质，还训练专属LoRA模型提升画质，但仍面临帧间一致性难题。
AI 产品定价指南：按量定价的卡点到底是什么？
本文编译 a16z 与 Scott Woody 访谈，探讨 AI 改变软件定价逻辑及企业应对策略，还补充定价专家 Madhavan Ramanujam 关于 AI 产品定价四象限观点，指出按量定价的难点、适用模式及企业转型要点等。
刚刚，微软推出AI浏览器，上网从此不一样了
微软Edge浏览器推出“Copilot模式”，将其变成AI智能体，有跨标签页情境感知等功能。该模式限时免费，支持语音控制等，还将增加新功能。微软此举或引发浏览器大战，未来浏览器AI模式可能收费。
Ilya尘封10年录音曝光！大二入Hinton门下，竟坦言机器学习反直觉
新智元报道，博主曝光Ilya 2015年谈论深度学习的语音片段。数学出身的Ilya认为机器学习违反直觉，大二与Hinton合作。他指出监督学习是最成功领域，还谈及神经网络目标函数、深度学习追求等观点。
480P的元宇宙入口：Midjourney不是在做视频，是在造"任意门"
Midjourney发布首个视频模型Video V1，它只能图生视频，操作便捷。虽分辨率仅480P，但采样率高。生成成本低，会员就能用。其美学表现好、生成速度快，不过在提示词理解等方面较弱。该公司有独特愿景。
训练世界模型，开始从人类的肌肉和脑子里偷师了
具身智能数据竞争进入新阶段，第一视角视频虽缓解数据量问题，但未记录人行动的原因及大脑身体实时修正。FaceMind提出Ego - NeuroLoop数据范式，配套NeuroMatrix和NeuroBooster，将训练数据从“行为库”推向“闭环库”。
十年老技术开发的 AI Agent 探索之路
本文是腾讯程序员探索 AI Agent 开发的经验分享。他从手动管理多终端的困境出发，介绍了突破并发上限、以代码优先解决 AI 需求、避免 Vibe Coding 翻车等内容，还阐述了 24h 打工人系统构建及 Agent 自举，最后探讨行业协议和 Goal-Driven 模式。