「实时语音识别」共找到 784 篇相关文章
编程革命彻底爆发！刚刚，OpenAI最强智能体上线ChatGPT
OpenAI发布云端AI编程智能体Codex，由codex - 1加持，多任务并行，半小时可干完数天软件工程任务。它能完成多项编程任务，还与GitHub集成。已向部分ChatGPT用户开放，Codex CLI也有更新。
ICML25 | 让耳朵「看见」方向！仅依靠360°全景视频，就能生成3D空间音频
空间音频技术成提升沉浸式体验关键，但现有技术未充分利用360°全景视频空间信息。OmniAudio研究可直接从360°视频生成空间音频，相关代码和数据集已开源，虽有局限但前景好。
机器人梦寐以求的“GPT时刻”，会不会就是GPT本身？
本文围绕GPT-6 Astra发布后的行业测试展开，讨论通用大模型能否成为机器人的通用大脑，分析了通用大模型参与机器人控制的原理与优势，点明当前能力边界，提出了分工协作的落地方案。
深度拆解 Gemini 3.8 Live：一句插话，为什么会牵动整个 Agent 系统
本文深度拆解Google发布的Gemini 3.8 Live，分析其将语音、推理、工具调用整合进持续运行链路的架构创新，探讨Voice Agent进入Runtime阶段的核心技术挑战与未来AI Agent发展趋势。
AI办公斩杀线，一页文档多少钱
腾讯混元Hy4 preview正式发布并开源，参数770B，是开源阵营里参数最大的Apache 2.0模型。它能处理长文本，官方定位有软件工程、办公分析等四个方向。还分析了处理一页文档的成本，指出办公AI下半场重在‘读懂’。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
在ICLR 2026主会之前，我们和30多位入选者聊了聊最前沿的AI细节
4月14日，智源社区、DeepTech联合举办ICLR 2026预讲会。会议聚焦顶会核心精华，三十余位论文作者分享AI Agent、大语言模型等热门领域成果，展示解决大模型痛点的研究。
千元手机也能离线爽跑谷歌Gemma 4，太酷了！
谷歌推出开源APP `Google AI Edge Gallery`，可在手机离线运行开源大模型，如Gemma 4。它数据不出本地，玩法多，支持中文交互。虽有局限，但已超模型演示范畴，展示AI本地智能趋势。
刚刚，清华团队养出了一只「龙虾老师」！教育版OpenClaw震撼开源
清华教育学院与计算机系联合团队开源多智能体AI课堂OpenMAIC。它能一键生成交互式课程，AI老师语音授课、AI同学互动。经两年真实课堂验证，支持主流大模型，有望成教育版ClawHub。
基础模型又一关键拼图，腾讯混元发布训练新范式「无相」：引入功能性记忆，打破静态权重枷锁
腾讯混元团队发布HY - WU范式，打破静态权重束缚，引入功能性记忆，实时生成个性化参数。应用于图形编辑基模效果好，在图像编辑任务表现优秀，还对未来AI架构提出多方面展望。