「音视频实时交互模型」共找到 1736 篇相关文章
Uber&WisdomAI揭露95%AI Agent落地失败的真相 ！
在‘Beyond the Prompt’技术论坛上，Uber、WisdomAI等企业揭开AI智能体落地难症结。指出90%失败源于‘喂错料’，信任是落地‘生死线’，记忆是架构设计，多模型编排与场景化交互决定用户体验上限。
独家！哈工大斩获AI顶会ACL评审阶段最高分，让AI领略汉字之美
哈工大论文获AI顶会ACL 2025评审阶段已知最高分。团队用传感器捕捉手部书写实现汉字输入识别，独创中文字形编码让AI理解汉字形态，革新中文人机交互，推动汉字文化传承，为AI理解汉字开辟新路。
用得越多、失业越快？GitHub 大改 Copilot 规则：默认拿个人代码训练 AI，还搬出 Anthropic 挡枪！
当地时间3月26日，GitHub宣布自4月24日起，Copilot Free、Pro和Pro+用户交互数据默认用于训练AI模型，Business和Enterprise用户除外。GitHub称需更多数据覆盖编码场景，但此举遭用户吐槽。
Claude Code 推出语音功能，但是，不支持中文
Claude Code推出语音模式，向约5%用户开放。用户按住空格说话，系统自动生成文本，支持语音与键盘混合输入，能提高录入效率，但大概率不支持中文。此外，电报率先支持OpenClaw流式实时回复。
刚开源的口袋级TTS，CPU 即可多语言本地畅用，爽！
传统TTS模型对个人开发者和边缘设备不友好，最近Github上开源的Pocket - TTS仅100M参数，能在普通CPU上超实时语音合成，支持语音克隆，安装简单，适合多种本地语音开发场景。
HOIDiNi：一句话驱动虚拟人高精度操作物体
特拉维夫大学提出HOIDiNi，这是文本驱动的扩散框架，用于生成人体 - 物体交互动作。它引入扩散噪声优化，能兼顾真实感与物理正确性。不过它泛化能力待拓展、生成速度慢，未来需提升效率等。
从Apache顶级项目到创业征程:一个开源人的坚守与突围
作者王华杰将个人项目 StreamPark 捐给 Apache 成顶级项目，现又踏上创业路。他讲述项目成长历程，还推出基于此的 Awestream 平台，有提升开发效率等特性，助力企业实时计算。
开源一个拯救你旅行废片的 Skill
作者因旅行照片不尽人意，开发开源 Skill Yingzao · 营造。它风格多样、能检索文化背景，可进行原图对比拼图、多图融合等，适用场景广，还能生成视频，工作方式独特。
将对话界面直接引入Web，微软开源NLWeb，实现ChatGPT级别搜索
微软 Build 2025 开发者大会上，开源项目 NLWeb 受关注。它简化网站自然语言交互界面开发，原生支持 MCP，能让任意网站变智能应用平台，还可调用廉价模型，使用方便。
生数科技按下B端商业化快进键：30天签约智谱、飞书等多家行业龙头｜甲子光年
AI视频生成行业商业化加速，生数科技不到一周官宣与智谱、飞书等合作。其Vidu基座模型能力强，多领域开花，2025年Q1商业化增速快，还凭交付与服务能力获头部青睐。