peech
-
Meta无限长文本大模型来了：参数仅7B，已开源
谷歌之后，Meta 也来卷无限长上下文。 transformers的二次复杂度和弱长度外推限制了它们扩展到长序列的能力，虽然存在线性注意力力和状态空间模型等次二次解决方案，但从以往经验来看，它们在预训练效率和下游任务准确性方面表现不佳。 近日，谷歌提出的Infini-Transformer引入了有效…
-
换了30多种方言，我们竟然没能考倒中国电信的语音大模型
不管你来自哪个城市，相信在你的记忆中，都有自己的「家乡话」：吴语柔软细腻、关中方言质朴厚重、四川方言幽默诙谐、粤语古雅潇洒…… 某种意义上说，方言不只是一种语言习惯，也是一种情感连接、一种文化认同。我们「上网冲浪」遇到的新鲜词汇中，有不少就是来自各地方言。 当然，有些时候，方言也是一种交流「壁垒」。…
-
让大模型能听会说，国内机构开源全球首个端到端语音对话模型Mini-Omni
AIxiv专栏是本站发布学术、技术内容的栏目。过去数年，本站AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@ji…
-
智能助手是什么_智能助手的基本概念与核心功能详解
智能助手是基于人工智能的交互系统，通过语音识别、自然语言理解、对话管理和自然语言生成技术，实现信息查询、日程管理、智能家居控制、媒体播放、通讯及个性化推荐等功能，在提升生活效率的同时也带来隐私安全、准确性局限、过度依赖和算法偏见等挑战，需在技术发展与伦理监管间寻求平衡。 ☞☞☞AI 智能聊天, 问答…
-
虚拟伴侣AI如何实现语音定制 虚拟伴侣AI声线克隆技术的使用技巧
可通过声线克隆技术为虚拟伴侣AI定制个性化语音。首先收集不少于30分钟的高质量、多情感语音样本，选用VITS或云端API等合适模型，经预处理和训练微调后生成高相似度声线，再将模型集成至对话系统并支持语调调节，最后严格遵守隐私规范，确保合法使用与数据安全。 ☞☞☞AI 智能聊天, 问答助手, AI 智…
-
ICLR 2025｜小米新一代Kaldi语音识别算法CR-CTC，纯CTC性能实现SOTA
小米新一代kaldi团队在语音识别领域取得重大突破！其论文《cr-ctc: consistency regularization on ctc for improved speech recognition》已被iclr 2025接收。该论文提出了一种名为cr-ctc的新方法，显著提升了纯ctc语音…
-
完全免费的AI文字转语音工具有哪些
完全免费的ai文字转语音工具确实存在，但功能强大且真正“完全免费”的较少，多数为提供免费试用、额度或开源项目。例如google cloud和微软azure提供慷慨的免费额度，适合个人或小项目使用；espeak ng作为开源工具可本地部署、零成本，但音质较机械；在线平台则操作简单，适合少量转换需求。使…
-
【PaddlePaddle+OpenVINO】AI“朗读机”诞生记
本文介绍了基于Paddle模型库在Intel AI BOX边缘设备上部署简易AI“朗读机”的项目。该设备可识别实体书或A4纸文字，按空格键即可发声并截图。部署涉及PaddleOCR、PaddleSpeech等，提供了从PaddleHub和PaddleSpeech调用语音合成模型的两种方式，后者支持更…
-
虚拟伴侣AI如何实现多模态交互 虚拟伴侣AI全息投影技术的整合指南
要实现虚拟伴侣AI的多模态交互，需整合语音、视觉与动作感知技术，并通过全息投影呈现立体形象。首先部署高精度语音识别（ASR）与情感化语音合成（TTS）系统，确保实时双向语音交流；其次引入面部表情识别模型（如FER-2013或Affectiva SDK），结合红外摄像头实现情绪判断，使AI能感知用户情…
-
GoogleAI视频生文怎么分析视频关键点_GoogleAI视频生文关键点分析指南
使用Google AI可自动提取视频核心信息：首先通过Google AI Studio上传视频并输入分析指令，AI将返回带时间戳的关键帧描述与摘要；开发者可集成Google Cloud Video Intelligence API，调用其标签检测、镜头分割和语音转录功能实现批量处理；结合Gemini…
