文章列表-AI魔法学院

文章列表

从 GPT-4o 到 LiveKit：实时语音交互的开源实现

LiveKit 支持语音、视频和数据流处理，内置了自动语音识别（ASR）和文本转语音（TTS）功能，简化了语音到文本和文本到语音的转换过程。

GPT-4o 语音交互

Westlake - Omni：西湖心辰推出的全球首个开源的中文情感端 - 端语音交互大模型

语音交互作为人机交互的重要方式之一，也在不断演进和创新。

Westlake -Omni 语音

推荐智能体：利用大模型进行交互式推荐

另一方面,大型语言模型(LLM)代表了人工通用智能的重大进步,展示了在指令理解、常识推理和人机交互方面的卓越能力。

大语言模型推荐

【语音识别】OpenAI语音力作Whisper

这么多的标注数据使得我们可以直接在有监督语音识别任务上预训练Whisper，从标注音频转录数据中直接习得语音到文本的映射。

语音转文字 whisper

各个语种互相翻译：Meta推出NLLB-200 AI模型，可实现200种语言互译

官方对外宣称，这是全球第一个以单一模型对应多数语言翻译的设计，希望借此能够帮助更多人在社群平台上进行跨语言互动，同时，也能提高未来元宇宙中的互动体验。

翻译大模型

AI Agent的数字化革命：超越文本，走向自主决策与交互

AI Agent和ChatGPT、Claude等LLM（大语言模型）有什么区别呢？

生成式AI

关于AI声音生成的一切（语音+音乐+嘴型）

PRETSSEL是一个表达性单元到语音生成器，能够有效地从语音中分离语义和表达性成分，并转移话语级别的表达性，如个人的声音风格。

声音

WeChatpy：Python中优秀的微信开发库，与微信官方接口交互的工具

微信作为中国最受欢迎的社交平台之一，拥有庞大的用户群体和丰富的功能。

WeChatpy 开发库

清华&面壁开源新一代主动Agent交互范式！让AI从被命令到主动帮助

而近期清华大学联合面壁智能等团队提出了开创性的新一代主动 Agent 交互范式（ProActive Agent），为 AI 交互带来了突破性的解决方案（下图 1 右侧所示）。

Agent 大模型

网易（TTS）EmotiVoice：开源语音合成，支持2000多音色

你是否曾经想过，如果你能用一句简单的提示来控制你的语音合成器，那该多方便？

EmotiVoice 语音合成

字正腔圆,万国同音,coqui-ai TTS跨语种语音克隆,钢铁侠讲16国语言

按照固有的思维方式，如果想要语音克隆首先得有克隆对象具体的语言语音样本，换句话说，克隆对象必须说过某一种语言的话才行，但现在，coqui-ai TTS V2.0版本做到了，真正的跨语种无需训练的语音克隆技术

coqui-ai TTS 语音

AI文本转语音工具（TTS）：MeloTTS

今天给大家介绍一个效果不错的开源文本转语音工具：MeloTTS MeloTTS是一个可以把文字转换成声音的工具，它支持英语、西班牙语、法语、中文、日语和韩语等多种语言。

MeloTTS 语音工具

比尔盖茨最新预言：AI智能体颠覆计算机交互体验甚至软件行业

智能体不仅会改变每个人与计算机交互的方式。

AI智能体

阿里巴巴语音实验室发布开源语音处理框架ClearerVoice-Studio，支持语音增强、分离、目标说话人提取

它集成了先进的语音增强（Speech Enhancement）、语音分离（Speech Separation）和音视频扬声器提取（Audio-Video Speaker Extraction）功能，能够在嘈杂环境中清理音频

ClearerVoice-Studio 语音

“实时”语音翻译！AI语音具有“情绪”！最强开源AI大模型来了

（先别急着骂，我们先看看产品）你是否遇到过这样的情况：你想和一个说不同语言的人交流，但是你不会他的语言！

大模型开源模型语音

<12 3 4 5 6 7 8 9 10 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1