「语音功能」共找到 1738 篇相关文章
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。
终于来了！ChatGPT更新：新增录音功能，深度研究也可以访问文档和应用程序了
OpenAI对ChatGPT进行更新，在深度研究功能中增加连接器，可连接企业和个人数据源，进行更深入搜索分析；新增录音模式，支持自动整理重点内容等。还调整定价策略，让现有部分用户能访问新功能。
北大卢宗青团队新作：超 70% 实机成功率，支持语言指令的功能性抓取系统
现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。
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。
8.8K Star！真正的本地实时 Whisper 开源神器，彻底干翻云端 STT！
做实时语音转文字系统，上云端 API 贵且隐私难保障，本地跑 Whisper 延迟高。WhisperLiveKit 是专为本地流式语音识别优化的全栈方案，解决了 Whisper 痛点，有极速处理等功能，适用多类项目。
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。
Codex最被忽略的功能
Codex的侧边栏功能常被忽略，但实用性超强。侧边栏有文件、浏览器、终端三个选项，可配合Codex使用，让其成为工作系统一部分，将AI从聊天框推近工作现场。
Hugging Face 论文页面功能指南
为助开发者与研究者把握AI前沿动态，Hugging Face推出论文页面，Daily Papers已收录超1万篇高质量论文。本文介绍其认领、提交论文等“隐藏功能”，助你把页面用到极致。
Blender MCP功能使用与案例详解！
文章全面介绍3D创作工具Blender MCP，它基于MCP协议，可通过自然语言指令操控Blender。文中涵盖安装配置、核心功能及实战案例，还给出常见问题解决办法，显著降低创作门槛，提升创意转化效率。
ChatGPT「群聊」功能正式开启内测
OpenAI正式在部分地区试点ChatGPT群聊，覆盖移动端和网页端。该功能可用于生活娱乐、工作学习等场景，由GPT - 5.1 Auto模型驱动，操作简单，还考虑了隐私与控制。