「无声语音交互」共找到 809 篇相关文章
实时语音翻译
Sokuji 是跨平台桌面应用，用 OpenAI、Google Gemini 等 API 提供实时语音翻译。支持多系统，有桌面版和浏览器插件，适配会议场景，还具备音频可视化、虚拟音频设备等特色功能。
开源TTS语音新标杆！Kyutai TTS：350ms延迟碾压全场，词级时间戳重构！
法国AI实验室Kyutai开源高性能TTS语音模型Kyutai TTS，基于DSM框架，支持流式输入、超低延迟与高保真语音生成，有多项亮点，还给出不同使用方式及应用场景。
别用语言描述，直接点！Lovart 正式版把 AI 交互卷到新变态级别
作者分享 Lovart 正式版体验。其设计 Agent 成完全体，新增评论系统 ChatCanvas，可直接在无限画布上给 Agent 提修改要求，还吸收 Cursor 代码补全交互。支持单张和多张图片调整，奠定 AX 交互基石。
Speech LLM 的下一个突破口：你的语音大模型可以是个「带韵律的文本模型」
语音大模型存在‘模态代沟’致性能‘降智’，此前两波改进未根本解决。香港中文大学论文提出TextPro - SLM架构，从输入端破局，仅用约1000小时数据就实现低‘模态代沟’，对多模态模型设计有启发。
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
阿里开源 Qwen3-TTS 全家桶！语音设计、克隆、生成全打包，开源 2 天 3K Star！
阿里通义团队开源 Qwen3 - TTS 全家桶，含语音设计、克隆、生成功能，开源 2 天获 3K + Star。它有秒级克隆、语音设计等能力，有 0.6B 和 1.7B 两种规格，双轨架构等技术创新保障性能。
cursor 2.0实测：cursor的摆烂之作
作者实测Cursor 2.0后大失所望。它交互粗糙，多智能体虽有多个回答但选方案操作不明；因Claude涨价推出智能分发和自研Composer，后者除快无优势且需魔法；内置浏览器交互麻烦，窗口管理离谱，语音模式基本不可用。
豆包「打电话」升级 Seeduplex：周围再吵，只认准你的声音
作者分享使用豆包语音通话功能体验，发现它换了新语音模型 Seeduplex。该模型是原生全双工语音大模型，解决半双工问题，在复杂场景表现出色，还介绍其技术逻辑及对行业的影响。
开源半自动化交互工具
Automat 目标是半自主玩各种游戏，是构建通用计算机交互环境首步。目前功能限于键盘宏录制和回放，不稳定。它是进行中的项目，路线图有激进新功能。文中介绍下载、运行方法及项目地址。
2亿多人开始和AI打电话，他们在聊什么？
2025年12月豆包月活达2.27亿，越来越多人与它语音通话。此前AI语音交互存在问题，豆包升级为全双工模型，体验更像打电话。作者实测其在不同场景表现出色，还分享使用技巧，并对比了和ChatGPT语音的优劣。