「自动语音识别」共找到 1002 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。
AI 智能体实战：100+次迭代后的意图识别提升之道
文章围绕AI智能体意图识别与槽位抽取展开，介绍初级到高阶四种方案。初级方案简单高效但意图多易出错；中级解耦架构，适用于复杂场景；进阶用RAG召回解决意图识别不准；高阶应对多轮对话挑战，各有优劣。
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。
L4大方向有了：理想自动驾驶团队，在全球AI顶会上揭幕新范式
在全球计算机视觉学术顶会 ICCV 2025 上，理想汽车自动驾驶高级算法专家詹锟发表演讲，阐述了‘从数据到训练’的系统化思路，提出将世界模型与强化学习闭环落地于量产自动驾驶系统的完整架构。
特斯拉世界模拟器亮相ICCV！VP亲自解密端到端自动驾驶技术路线
特斯拉世界模拟器在ICCV亮相，可生成自动驾驶挑战场景，对具身智能也有用。其自动驾驶副总裁Ashok Elluswamy称端到端AI是未来，还揭秘技术细节，特斯拉也在解决端到端面临的难题。业界对端到端路线有VLA和世界模型之争。
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。
超强开源OCR，手写体识别能力超dots.ocr，封存多年的老文档数字化有救了。
文章推荐新开源的OCR系统Chandra，它对手写体识别做了优化，官方测评数据显示比dots.ocr强。介绍其适用于多场景及功能特点，还展示了不同场景的识别效果，建议有需求者多对比测试。
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。
程序员下班一看懵了？白嫖 Gemini / 本地大模型做时间追踪，用这个开源小工具给你一天自动出「git log」
Dayflow 是原生 macOS 开源应用，能以 1 FPS 录屏，用 AI 总结生成时间线，解决传统时间追踪记录不具体问题。它功能丰富，有自动时间线、分心高亮等，还支持多种 AI 模式，数据隐私性好。