「自动语音识别」共找到 1003 篇相关文章
0.07B大败QwenVL72B！百度开源OCR3.0"三件套"
OCR 历经四次范式迁移，工业落地存在精度与参数量等矛盾。百度开源 PaddleOCR 3.0“三件套”，含 PP - OCRv5、PP - StructureV3、PP - ChatOCRv4，各有创新点，解决了多语种识别、版面还原等问题。
Claude Code凭什么牛？大模型团队天天用自家产品，发现bug直接就改了
Claude Code虽有争议，但很成功，4个月用户达11.5万。Claude Code负责人透露构建细节，如产品理念、评估标准、反馈机制等，还阐述编程领域变化、模型与工具共同进化等内容。
红杉美国：未来一年，这五个 AI 赛道我们重点关注
红杉资本分享未来 AI 投资判断，认为 AI 革命堪比工业革命，蕴含 10 万亿美元机遇。未来 12 - 18 个月，将重点关注持久化记忆、通信协议、AI 语音、AI 安全和开源 AI 五大主题，这些也是创业好赛道。
用户痛批GPT-5，哭诉「还我GPT-4o」，奥特曼妥协了
OpenAI发布GPT - 5，移除ChatGPT模型选择器，将其设为默认模型并自动分配子版本。这引发用户不满，有人做梗图、吐槽、发起签名信。奥特曼发话，允许ChatGPT Plus用户继续用GPT - 4o。
综述：LLM 驱动AI Agent通信协议与策略
文章指出传统互联网用户完成行程繁琐，而代理互联网可让代理自动完成。随着LLM驱动智能体应用深入，其发展专业化，需多智能体协同，有效通信成关键。介绍了智能体通信定义、分类及多种通信协议。
离开一手做大的饿了么 6 年后，他带着 7 亿估值的 AI 公司杀回来了
近日，新加坡AI应用开发商Orion Arm获1100万美元A轮融资，投后估值达1亿美元。其创始人是前饿了么联合创始人汪渊，已发布智能日程管理应用Toki AI和资讯工具Syft AI两款产品，目标三年内让用户达1亿。
AICon上海演讲精华回顾：《GMI Cloud 全球化高性能分布式推理服务构建实践》
AICon2025上海站，GMI Cloud资深架构师Frank Lee分享《GMI Cloud全球化高性能分布式推理服务构建实践》，介绍其推理平台，拆解扩缩容等能力，分享架构设计、部署及优化实践，揭秘推理提效关键路径。
PDF难点解析：处理复杂表格、水印、印章、复选框、信息抽取等7项任务，6大能力
文章介绍Nanonets - OCR - s可处理关键信息提取、视觉问答等7项任务，具备LaTeX方程识别、图像描述等6项能力，还给出体验链接。但测试发现英文体验优于中文，模型有重复输出、幻觉严重问题。
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
多模态是大模型热门应用概念，文本生成语音赛道受资本青睐。作者实测对比扣子空间和NotebookLM，发现扣子空间播客功能更优，能精准拿捏尺度，覆盖场景大，还能做旅行攻略、生成网站等。
Cursor、OpenClaw 同时出手，“口袋编程”时代来了：程序员只用“动嘴”！
Cursor 推出 iOS 移动应用 Cursor Mobile，与桌面版打通，可远程管理编程智能体，还支持语音输入。OpenClaw 也官宣有原生移动应用，登陆 iOS 和安卓平台。这标志开发模式向移动化转变，但也有成本等问题。