「声音识别」共找到 297 篇相关文章
CVPR 2026｜DROID-W：复杂室外动态场景，也能稳定SLAM
苏黎世联邦理工与微软团队提出 DROID - W 动态 SLAM 框架，即将发表于 CVPR 2026。它不预设动态物体，从多视角观测识别不可靠区域，还提出交替优化方案，在多个数据集表现优。
连马桶都会看图说话了，巨头敢卖，你敢坐么？
老牌卫浴巨头科勒发布马桶相机Dekoda，599美元，拍照识别屎尿分析健康，还能区分用户。此外，Throne等公司也有相关产品。这些产品定位健康管理，不过面临信任、算法准确性等挑战。
告别天价API账单！开源Chatterbox语音服务器上线，隐私与效率双赢！
第三方语音合成API成本高、有隐私风险，直接部署开源模型配置复杂。开源的Chatterbox-TTS-Server基于Chatterbox TTS模型，有Web界面、声音克隆等功能，支持GPU和Docker，可解决部署难题。
毫秒响应延迟！开源统一语音对话模型Voila
Voila是开源统一语音对话模型，能以自发、实时且有情感的方式与人类互动。它采用全新端到端架构，响应延迟仅195毫秒，支持超百万种预构建声音，适用于多种语音应用。
Meta 开源 Brain2Qwerty v2：非侵入式脑机接口语句解码准确率达到 61%
Meta 近日开源非侵入式脑机接口系统 Brain2Qwerty v2，能将人脑想法解码为完整语句，平均单词识别准确率达 61%，远超其他非侵入式方案。其采用三阶段深度学习模型，代码和训练数据已公开。
从需求到设计到代码，一个软件全搞定！TRAE Work Design实测来了
TRAE Work上新Design模式，与Work、Code模式配合，实现需求、设计、代码全链路在一个平台跑通。它能识别提取设计系统，提供多种改图方式，且出图合规、改图顺手，还简化了工作流。
豆包大模型2.0+Claude Skills，3步装好，终于有AI能帮我"看视频做笔记"了！火山引擎全系列可用！
传统视频总结工具只基于音频总结，内容浅显。而豆包大模型2.0是多模态原生模型，能同时处理画面和声音。只需3步安装配置，就能让它真正“看”视频，输出详细笔记。
Google这个1.5w star 项目牛皮，99%准确率！
Google安全团队开源AI文件类型检测工具Magika，抛弃固定规则匹配，用深度学习精准识别文件真实类型。它内置轻量模型，单CPU毫秒级推理，支持200+格式，准确率约99%，已大规模落地。
翻译界的ChatGPT时刻！Meta发布新模型，几段示例学会冷门新语言
Meta人工智能研究团队发布Omnilingual ASR系统，能识别1600多种语言，可通过少量示例快速学会新语言。它以开源与社区共创为核心，打破语言技术不平等，让更多语言登上AI舞台。
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。