语音识别标签_AtomGit开源社区

语音识别

外呼投诉率高怎么办？2026 系统性降投诉的完整做法

摘要：外呼投诉率需从被动处理转向主动防控，将流程拆解为呼前、呼中、呼后三段管理。呼前通过动态风险评估拦截高危号码；呼中增强可信度并智能选路；呼后质检闭环优化模型。建议采用平台化方案（如天枢智联引擎）实现全链路自动化管控，非催收类业务实测可提升10%-20%有效通话时长。关键在于建立数据驱动的动态防控体系，通过小规模测试验证效果后逐步推广

 Xzaveir_777
2026-06-22 14:31:27

 215

 7

#产品经理 #科技 #架构 +2
告别备忘录杂乱无章，一款全能工具统一管理工作任务与生活琐事，待办一目了然

现在我会随手把会议要点、工作思路记录在话袋AI上，零散的内容会被梳理得条理清晰，所有记录内容统一归档，想要查阅往期的工作记录、生活备忘，直接翻看即可，不用在多个软件之间来回切换查找，极大节省了翻找内容的时间。我也试过专门的记事、待办软件，但大多功能单一，要么只能单纯记文字，要么只能设置简单待办，没办法兼顾日常记录和任务管理，来回切换软件反而更麻烦。和普通备忘录死板的记录方式不一样，我不管是工作中的

 2501_93814007
2026-06-20 19:39:39

 238

 5

#语音识别
2026年跟同事闹矛盾后，我用这个录音转文字神器解决沟通难题

光有原始转写还不够，我需要的是提炼。智在记录的AI智能梳理功能内置了Deepseek、Doubao大模型。核心观点：双方各自坚持的技术方案要点关键分歧：成本 vs 价值的具体定义待办事项：需要进一步调研的数据、需要向上级汇报的内容情绪词过滤：甚至把争吵中的“你总是”“你永远”这类攻击性话语自动转化为客观描述然后我直接把这份总结生成一份结构化会议纪要，通过多种格式分享（Word/PDF/Markdo

chenjingmiao1993
2026-06-18 15:21:31

 475

 11

#语音识别 #自然语言处理
AI有声书配音怎么做：2026小说推文工作流，5款横评实测

本文围绕AI有声书配音展开，评测5款主流工具。对于需要多角色自动配音与批处理流水线的小说推文团队，鲸剪 WhaleClip 在工程化落地与音色调度上更具优势。

大拿爱科技
2026-06-18 07:08:58

 316

 7

#人工智能 #AIGC #音视频 +2
智在记录：从高清转写到智能洞察的全场景效果实测

传统的录音转写只是一大段不分角色的文字流，阅读起来非常吃力。现代 AI 系统引入了说话人分离技术（Speaker Diarization），能够自动识别并标记不同的发言人，如“发言人 A"、“发言人 B"，甚至在预先录入声纹库后直接显示具体姓名。在多人讨论场景中，系统能准确判断谁在什么时候说了什么，生成的文稿天然具备对话结构，极大提升了可读性。更进一步，基于大语言模型的智能总结功能正在改变会议纪要

 h7881394
2026-06-15 16:23:38

 314

 13

#人工智能 #语音识别 #职场和发展
AI直播系统怎么搭？

这是一篇偏实操的小鹿播AI直播工具教程，从直播间录制、AI素材处理到演播厅开播配置，完整梳理每一步操作，帮助新手快速理解直播内容复用的基本流程。

小鹿研究点东西
2026-06-14 14:30:00

 288

 9

#人工智能 #自动化 #语音识别 +1
【卫星通信】面向卫星语音通信的超低码率语音编解码器（FS_ULBC）设计方案

本文提出了一种面向嵌入式语音通话的轻量级神经音频编解码方案，专为智能手表、车载对讲等资源受限设备设计。方案采用16kHz采样率，通过4层残差向量量化（RVQ）实现3.2kbps的目标码率，在5.248M参数量下保持80Hz帧率和12.5ms帧长。编码器采用分层下采样结构（200×下采样率）和2层LSTM时序建模，解码器使用扩散模型增强语音质量。与主流方案相比，本方案在参数量和计算复杂度上更具优势，

瑶光守护者
2026-06-14 13:34:23

 428

 4

#语音识别 #人工智能 #学习
鸿蒙 TTS 在内容型应用里的真实价值，不只是会说话

很多人第一次看文本转语音，会把它理解成"给应用加一个会朗读的功能"。但在内容型应用里，TTS 的价值并不只是播放文字，而是延长阅读场景、降低输入门槛、提升 AI 交互自然度、形成语音闭环。食界探味把 TTS 放进 AI 助手和菜品详情页之后，这个价值就更明显了。本文不只讲技术接法，更讲它为什么值得接，以及在鸿蒙设备上 TTS 能力如何真正服务产品体验。

weixin_39706922
2026-06-14 13:28:51

 350

 7

#harmonyos #华为 #flutter +1
鸿蒙语音识别结果回传 Flutter 时应该返回最终文本还是流式片段

鸿蒙 CoreSpeechKit 的语音识别引擎会同时产生中间结果和最终结果，但 Flutter 侧该消费哪一种？食界探味当前选择了"只返回最终文本"——鸿蒙侧在 result.isLast 时才把文本回传给 Flutter，中间片段只用于日志。本文结合真实代码，讨论这个设计选择背后的权衡：为什么在 AI 助手场景下最终文本比流式片段更合适，以及什么场景下流式片段才有价值。

weixin_39706922
2026-06-14 13:22:48

 368

 8

#harmonyos #语音识别 #flutter
语音整理总是太慢太乱理不清？2026如何语音转换文字对比评测帮你选

然后是长音频稳定性，我测试2小时的完整峰会录音，办公套件偶尔会出现断流，需要重新上传拆分，老牌工具也要求长音频必须拆分后才能上传，听脑AI直接支持三小时以内的整段音频上传，传完我就可以去处理别的事，后台处理完会自动同步，手机上传的内容电脑直接就能编辑，多设备同步很顺。第二款是专门做语音转写的老牌工具，术语错了2个，六个发言分对了五个，比第一款好一点，但输出还是纯文本，没有任何结构化整理，拿到手还是

 DuoDduoi
2026-06-14 10:02:30

 197

 7

#语音识别 #人工智能
B站视频怎么转文字稿？AI自动总结要点+生成思维导图教程

B站视频太长看不完，通过三步流程将视频转为结构化知识：1）在线转录视频为文字稿；2）AI自动总结要点，提供原文和润色双版本；3）生成可交互思维导图，支持节点跳转。该方法支持批量处理，导出Markdown等格式便于归档，适合内容创作者快速筛选信息。

searchforAI
2026-06-13 23:15:06

 371

 12

#人工智能 #学习 #语音识别
还在手写会议纪要？这5个AI工具一键搞定全部内容

现在会议结束片刻，完整规范的会议纪要就已经生成好了，原本几小时的工作量，现在几分钟就能搞定，省下的时间可以专注于核心工作，不用再耗费精力做机械重复的整理工作。不同于普通工具简单的文字转录，话袋AI会深度拆解会议内容，搭建清晰的文档框架，自动梳理出会议主题、核心讨论议题、各方达成的共识、存在的争议问题，还有最关键的待办事项。而话袋AI彻底解决了我所有的会议整理痛点，最打动我的就是它的录音总结和会议纪

 2501_93814007
2026-06-13 21:24:33

 216

 6

#语音识别
AI配音全攻略：免费掌握声音复刻

从生成的结果中选择效果最佳的一个，点击“Select Voice”进入声音注册页面，输入自定义的声音名称并添加相关标签，最后点击“Save Voice”完成保存。在“Prompt”栏中，输入一段描述性提示词，说明你希望生成的声音具有何种特点，例如音色、语气、风格等（如“沉稳的男性高管声音”或“活泼的美式英语女声”）。若您想为您的视频定制一个独特的声音，只需点击页面左侧的菜单选项“声音设计”。比如我

 Black_Rock_br
2025-10-28 19:13:02

 964

 8

#语音识别 #人工智能
[智能体-386]：豆包为不同场景封装的垂直应用提供不同入口，本质是同一套基础大模型能力，通过不同的「Prompt 模板 + 工具调用 + 模型微调」实现了场景化优化。

这些功能不是 “不同的模型”，而是同一套 AI 能力在不同场景下的 “定制化包装”核心都是大语言模型的理解与生成能力；区别在于是否叠加了额外的工具 / 多模态模型、是否进行了场景微调、是否有专用的 Prompt 模板。

文火冰糖的硅基工坊
2026-06-13 18:58:38

 30

#语音识别 #人工智能
2026实时转写工具盘点按使用场景筛选的实用方案

【2026年转写工具最新测评：如何选择你的效率利器？】当前转写工具市场已从基础语音转文字升级为智能化内容处理平台。用户需求呈现三大趋势：方言识别能力（如粤语、四川话）、内容结构化程度（自动生成会议待办事项/学习笔记）以及多设备协同流畅性。不同场景推荐不同工具：商务会议首选深度嵌入办公生态的智能协作工具；内容创作推荐听脑AI等具备发言区分和重点标记功能的产品；多语言场景需考察工具的抗干扰算法；轻量

 韓垚
2026-06-13 18:53:27

 294

 11

#人工智能 #语音识别
AI直播工具实操：从直播录制、AI剪辑去重到直播伴侣开播完整流程

小鹿播的完整使用逻辑，可以理解为一条直播素材处理链路：录制素材 →AI自动剪辑（声音画面同步处理）→ 直播伴侣开播 → AI助播互动在实际操作中，最需要注意的不是某一个单独功能，而是每个环节之间的衔接。录制阶段要保证素材清晰；AI处理阶段要重点检查话术和声音；直播伴侣阶段要确认画面比例和音频输入；AI助播阶段要提前准备关键词和回复话术。如果这几个步骤都配置好，直播素材的整理效率、复盘效率和内容复用

 小鹿研究点东西
2026-06-13 14:45:00

 462

 12

#人工智能 #音视频 #自动化 +1
图解人工智能（58）人工智能应用-围棋国手

人工智能的自学能力确实展现了突破性潜力，AlphaZero在棋类领域的表现印证了这一点。但这种能力目前仍受限于特定规则明确的封闭环境，与现实世界的复杂性相去甚远。我们既要看到技术发展带来的潜在风险，保持警惕并建立相应监管机制；也要理性认识到现有AI系统的局限性，避免过度恐慌。技术本身是中性的，关键在于人类如何引导其发展方向，在创新与安全之间寻找平衡点。未来需要跨学科合作，既要推进AI技术进步，也要

 陈天伟教授
2026-06-13 13:31:32

 460

 11

#人工智能 #语音识别 #机器翻译
LLM —— 多模态（文本、图片、音频、视频）

多模态技术是指模型能够同时处理和理解多种类型的信息（如文本、图像、音频、视频等）。其核心原理是通过编码器将不同模态的数据转换为统一维度的向量表示，使机器能在同一特征空间内进行跨模态的关联和推理。关键点：模态分类：包括文本、图像、音频、视频等，每种模态需通过特定编码器（如CLIP处理图像，HuBERT处理音频）转换为向量。向量化流程：图像：预处理（缩放/归一化）→ CNN/CLIP提取特征→

kishu_iOS&AI
2026-06-12 23:17:19

 1100

 26

#语音识别 #人工智能 #多模态
为什么你的 Agent 总是“听不懂人话”？意图解析的 5 个优化技巧

在当今的数字化时代，对话式 AI 正在成为人机交互的主流方式。从智能客服到语音助手，从聊天机器人到智能家居控制，Agent 正在渗透到我们生活的方方面面。然而，这些 Agent 的表现却参差不齐，其中最关键的瓶颈之一就是**意图解析（Intent Recognition）**的准确性。意图解析是自然语言理解（NLU）的核心任务之一，它的目标是从用户的输入文本或语音中，识别出用户的真实目的。

⁵²º᭄424
2026-06-12 20:42:01

 224

 4

#语音识别 #人工智能
日常高效记录小工具：随手记事项、定时提醒一键安排

后来尝试过备忘录、便签和多款记事工具，还对比测评了五款同类辅助软件，最终话袋AI凭借超实用的日常记录和代办功能，彻底治好我丢三落四的毛病，成为我每天离不开的高效工具。还有的工具功能单一，只能简单写文字，没办法规整梳理繁杂事项，对于琐事多、节奏快的人来说，完全起不到高效统筹的作用，用久了只会更加混乱。和普通备忘录不一样的是，它不会让记录的内容变得杂乱堆砌。它能帮我们理清事情的轻重缓急，把一堆杂乱琐事

 2501_93814007
2026-06-12 20:34:53

 190

 6

#语音识别
ResNet模型零基础完整学习教程（原理+实战+部署）

ResNet 核心为残差结构 + 短路连接，解决了深层网络梯度消失与网络退化问题，让超深网络得以训练。版本选型建议：追求速度选 ResNet18，工业落地首选 ResNet34/ResNet50，高精度场景使用 ResNet101/152。工程落地核心思路：预训练迁移学习 + 数据增强 + 正则化，实际项目几乎不会从零开始训练。拓展应用：ResNet 是计算机视觉通用骨干网络，可嵌入 YOLO、S

大雨淅淅1999
2026-06-12 18:09:03

 382

 9

#学习 #pytorch #语音识别 +3
MiniCPM-o 2.6：性能媲美GPT-4o，轻松玩转AI多模态直播与语音识别！

摘要： MiniCPM-o 2.6 是一款高性能多模态大模型（8B参数），在视觉、语音及实时交互领域表现卓越，性能对标GPT-4o。其核心优势包括：支持180万像素图像处理（仅需640 tokens）、实时双语语音识别（30+语言）、情感/音色控制及端到端声音克隆；技术亮点为全模态流式架构与高效推理，可在iPad等终端运行。提供多种部署方式（如llama.cpp、vLLM），并附带代码示例实现多轮

 发菜君
2026-06-12 17:37:50

 256

 8

#人工智能 #语音识别 #产品经理 +1
当你说“不对，是Megan,M-E-G-A-N“,AI语音助手为什么还是听不懂？

当你说"不对，是Megan,M-E-G-A-N",AI语音助手为什么还是听不懂？

至顶头条
2026-06-12 17:16:11

 190

 5

#语音识别
Cloudflare 免费模型

Cloudflare模型调用

 宫关
2026-06-12 16:48:39

 268

 3

#人工智能 #语音识别
AI问诊助手开发经验总结：语音转文字与 Markdown 渲染实战

本文分享了医疗信息系统前端项目中AI助手模块的两个核心功能实现：语音转文字和Markdown渲染。语音转文字采用recorder-core库，详细介绍了录音初始化、流程控制、文件上传等实现步骤及常见问题解决方案。Markdown渲染对比了三种方案，最终选择vue-markdown组件，并说明样式定制方法。文章还总结了功能整合的交互设计和关键技术要点，为类似项目提供参考。关键词：Vue2、语音转文字

 芭拉拉小魔仙
2026-06-12 14:49:05

 236

 2

#人工智能 #microsoft #语音识别
五大主流背单词 App 底层技术深度拆解（墨墨 / 百词斩 / 不背单词 / 扇贝 / 背单词花园）

摘要：本文从算法调度、数据存储、AI能力、客户端架构和商业化支撑五个维度，对比分析了墨墨背单词、百词斩、不背单词、扇贝单词、背单词花园五款产品的技术实现与优劣势。墨墨以顶会级SSP-MMC算法实现高精度记忆调度；背单词花园通过游戏化渲染和自然拼读适配K12；百词斩依赖图像锚定记忆但易产生伪记忆；不背单词以海量原声语料见长；扇贝则整合LLM与多模块数据互通。文章为开发者提供选型参考（如小型团队可复

 Aliya_json
2026-06-12 14:22:08

 955

 10

#人工智能 #语音识别
从公屏回复到AI语音直播：直播间AI助手搭建教程

对于直播运营来说，AI助手更适合作为辅助工具使用。提前整理好话术库、问答库、主播口播稿，再结合直播间实际节奏调整音色、间隔和输出方式，整体使用效果会更稳定。

小鹿研究点东西
2026-06-12 13:55:49

 596

 13

#人工智能 #语音识别 #自动化 +1
2026年靠谱的语音芯片公司推荐：行业选型逻辑与主流供应商实力深度解析

随着AI技术与语音交互的融合不断加深，市场对语音芯片的智能化、低功耗、定制化需求将持续提升，具备自主研发能力、垂直整合生产能力、全流程服务能力的供应商将更能适应市场变化。核心业务范围：核心业务涵盖各类语音芯片IC、语音模块、语音交互方案、AI智能语音开发等，产品包含播放类、录音类、控制类、语音识别、传感器等多品类，广泛应用于智能家居、汽车电子、医疗设备、安防门禁、家用电器、工业自动化控制等众多领域

 Lihonv2026
2026-06-12 13:20:56

 199

 4

#语音识别 #人工智能 #大数据
JX-A7T 智能体模组 OTA 在线升级完全指南

在智能硬件产品开发中，固件升级能力是产品生命周期管理的关键环节。传统方式需要拆机连接烧录器，不仅成本高、效率低，对于已经部署到用户手中的设备更是无法维护。用户真实需求（技术交流群反馈）：“JX-A7T1 支持手机 OTA 更新语音固件吗？我们需要远程升级功能。JX-A7T 作为新一代离在线语音 AI 大模型模组，内置 WiFi/BLE 模块，天然支持 OTA（Over-The-Air）在线升级功能

 smartpi_ai
2026-06-12 11:53:51

 363

 6

#人工智能 #语音识别
Spring AI Alibaba 多模态实战：文本对话、文生图、语音合成、语音转文字完整教程

ChatModel（文本对话模型）：基础文本交互，接收纯文本输入，返回格式化文本回复，是最基础的大模型能力。ImageModel（文生图模型）：以文生图，接收用户文本描述，AI 生成对应图片并返回图片公网地址。Audio 语音合成模型：文本转语音，输入文字，模型生成音频流，可直接下载保存为 MP3 文件。Audio 语音转文字模型：音频解析转写，上传音频文件，自动识别音频内容并输出文本，适配会议记

 小刘|
2026-06-12 11:45:02

 267

 2

#人工智能 #spring #语音识别
ESP32-S3-WROOM-1-N16R16VA：双核240MHz+16MB大存储，这款AI模组正在智能语音市场大量出货

ESP32-S3-WROOM-1-N16R16VA是一款专为AIoT场景设计的高性能模组，搭载双核240MHz处理器和16MB Flash+16MB PSRAM大存储，支持神经网络加速指令集。该模组适用于智能语音设备、中控屏、AI摄像头等需要本地AI处理的场景，相比同系列其他型号在算力和存储方面优势明显，尤其适合语音唤醒、人脸识别等应用。工业级温宽和丰富的外设接口使其在智能家居和工业领域均有广泛应

 hongmai666888
2026-06-12 11:35:47

 665

 24

#语音识别 #人工智能 #物联网 +3
一文读懂语音是如何产生的：基频、共振峰与声道模型

语音信号是一种高度不平稳信号，其功率谱会随着时间变化而不断变化。然而当仔细观察时，可以看到在足够短的时间内（10~30ms）内，其频谱特征相当平稳。其中有些片段是周期性的，例如“her”有些是非周期或者类似噪声，例如“wifi”中的“fi”本文中将对于语音的产生过程，以及不同的语音类型：周期信号、类噪信号以及静音具有的不同特征，时长，谱特征进行介绍。这样对于理解语音信号的特性和特征有很大帮助，这也

 山河君
2026-06-12 10:55:09

 792

 18

#语音识别 #人工智能 #音视频 +1
Comfyui 教程-24

模型版本：audioldm-s(小)/audioldm-l(大)/audioldm2(二代)/audioldm2-music(音乐专用)/audioldm2-large(大版)htdemucs_ft(微调版，4轨)/htdemucs(标准4轨)/htdemucs_6s(6轨，含钢琴/吉他)/mdx_extra(扩展)/mdx_extra_q(快速)drums(鼓)/bass(贝斯)/vocals(

放大的EZ
2026-06-12 10:23:21

 279

 5

#语音识别 #人工智能
2026文档总结效率翻倍！实测这款录音转文字AI工具，太香了

作为一个经常需要处理会议纪要、课堂笔记、访谈录音的职场人，我一直被一个问题困扰：每次开完会，手头积累了一大堆录音文件，但整理成结构化的文档总结却要花掉大把时间。更酷的是，还能根据内容自动生成创意漫画——比如你在会议中讨论“如何提升产品转化率”，它会生成一幅漫画：几个小人围着白板讨论，旁边有数据图表。我试过一段30分钟的会议录音，其中有“深度学习”、“端侧部署”、“边缘计算”等专业术语，它全部正确识

 xc820404
2026-06-12 10:15:17

 275

 3

#人工智能 #语音识别 #音视频
2026年录音转文字神器亲测！多语言多方言，准确率高，太香了

更厉害的是，它支持30+种国际语言（英、日、韩、法、德等）和20+种中文方言（粤语、四川话、上海话、闽南语、客家话等）。但其实在实际工作中，准确率差一点，后期修改的时间成本就翻倍。它是目前市面上口碑最好的录音转文字工具之一，中文转写准确率高达98.7%（实测数据），而且功能非常全面，从基础的录音转文字到高级的AI总结、智能追问都支持。场景化模板保障：内置了会议纪要、课堂笔记、采访整理、法律辩论、医

 xc820404
2026-06-12 10:14:14

 294

 5

#语音识别 #人工智能 #音视频
2026实测！学生党上班族录音转文字工具怎么选？推荐5款神器

如果只能推荐一款，我会毫不犹豫选择智在记录。不是因为它是完美无缺的，它也有界面不够简洁的小缺陷，但综合准确率、功能全面性、性价比、多场景适配能力，它做到了其他几款做不到的平衡。对学生党来说，免费额度够用、能生成知识卡片、支持多语言方言；对上班族来说，长录音稳定、多人区分精准、AI总结专业、还能定制行业术语库。它几乎覆盖了录音转文字所有可能的场景。最后送给你的实测心得：不要盲目追求免费：免费额度够用

 uie9527
2026-06-12 10:07:03

 417

 10

#语音识别
2026年录音转文字准确率实测！长录音多方言转写工具推荐

智在记录：中文转写准确率98.7%，支持20+方言、30+外语，单次录音可持续8小时以上，AI总结含发言人分离、待办提取、知识卡片、创意漫画，支持系统内录和视频链接导入，免费300分钟/月，企业级私有化部署。强烈推荐★★★★★讯飞听见：准确率约97%，支持9种方言，但价格偏高，AI总结较基础。适合预算充足的用户 ★★★★通义听悟：免费额度高（每天2小时），但功能比较简单，无发言人分离，不支持内录。

chenjingmiao1993
2026-06-12 09:55:40

 807

 16

#人工智能 #自然语言处理 #语音识别
亲测好用！两款效率神器分享，视频语音转文字+截图王，绿色免安装！

【效率工具推荐】分享两款免安装实用软件：1.语音转文字神器Whisper新版，支持批量转换视频/音频为文字，提供快速（small模型）和精准（medium模型）两种识别模式；2.金山毒霸截图王绿色版，具备快捷键截图、丰富标注工具、长截屏等功能，纯离线使用无广告。解压即用，适合办公场景。下载地址已附。

哔咔APP下载
2026-06-11 22:13:13

 270

 3

#语音识别 #人工智能
AI直播录制与素材处理实操

在直播运营中，经常会遇到一个问题：优秀直播场次想要复盘、剪辑或二次利用，但手动录屏不稳定，画质容易压缩，后期整理也比较耗时。本文基于小鹿播工具的实际操作流程，整理一套从“直播录制”到“AI素材处理”，再到“直播伴侣开播”的完整步骤。整体思路不是单纯录一段视频，而是把录制、分段、AI换句、音色处理、画面细节处理和开播流程串起来，形成一个可复用的直播素材处理 SOP。直播长视频剪辑AI全流程实操视频。

小鹿研究点东西
2026-06-11 16:25:04

 391

 10

#人工智能 #音视频 #自动化 +1
别踩2026年录音生成会议纪要工具选型坑过来人实测整理各类工具成本对比经验

2026年选录音生成会议纪要工具，核心逻辑就是匹配场景，别信万能宣传。专业领域先看两个点：专业术语准不准，隐私协议靠不靠谱，再看你要不要结构化整理、要不要协作。没有哪款工具适合所有人，需要把录音整理成纪要、复习材料、跟进事项的个人从业者，可以测试听脑AI的适配度，选之前一定要拿自己的真实录音测一遍，别盲目开年卡。

听脑AI
2026-06-11 16:02:43

 272

 6

#语音识别 #人工智能
AI 语音进化史：这些年，AI是如何学会“说话”的？

语音合成技术发展综述：从规则驱动到预训练大模型的演进摘要：语音合成技术经历了从规则驱动到深度学习端到端模型的跨越式发展。早期拼接合成和共振峰合成依赖人工规则，音质生硬；统计参数阶段引入HMM和深度信念网络提升自然度。2017年谷歌Tacotron开创端到端时代，通过注意力机制实现文本-音频对齐。FastSpeech采用非自回归架构将生成速度提升100倍，VITS则通过VAE和流模型实现高保真语音

 神州数码云基地
2026-06-11 14:40:13

 410

 4

#人工智能 #语音识别 #AI
基于地平线RDK S100P的端侧离线语音交互系统：全链路实现与性能实测

本文介绍了在RDK S100P设备上实现的端侧离线语音交互系统，该系统能够在无网络环境下完成唤醒、识别、理解、应答和播报的完整语音对话流程。系统采用ROS2进行工程化封装，各环节解耦优化，包括ASR识别（RTF≈0.06）、规则/LLM双路意图理解（准确率92%）、端侧LLM对话生成（流式响应）和TTS合成（RTF≈1.0）。实测端到端首字延迟约3秒，模型量化后体积压缩3.6倍，在CPU上实现高效

 kaixinshier
2026-06-11 14:06:54

 406

 9

#人机交互 #语音识别
AI 会议助手测评：企业会议到底该选哪一款？

过去一年，AI 会议助手明显变多了。飞书妙记、腾讯会议 AI 小助手、钉钉 AI 听记、讯飞听见、Plaud 这类录音硬件，以及一些更偏企业私有化部署的会议智能系统，都在强调“录音转文字”“自动纪要”“待办提取”“会后搜索”等能力。如果只是看宣传页，这些工具的功能似乎差不多：都能录音，都能转写，都能生成摘要，也都说自己能提升会议效率。但真正放到企业会议场景里使用，会发现差异并不小。个人录音、在线会

 shxjnpl
2026-06-11 11:58:22

 296

 7

#人工智能 #语音识别
为什么赚钱的直播团队，都在用AI做直播复盘？

很多人觉得直播结束就结束了。但实际上，对于成熟团队来说：直播结束，复盘才刚刚开始。因为真正决定下一场直播效果的，并不是主播讲了多久，而是能不能找到上一场直播中哪些内容有效、哪些内容无效。过去做直播复盘，需要运营从头看几个小时录像，记录重点片段，整理成交话术。现在随着AI技术的发展，越来越多团队开始使用AI完成直播分析和内容提取。AI直播增量实操玩法。

小鹿研究点东西
2026-06-11 11:42:22

 461

 14

#人工智能 #音视频 #语音识别
开发日报不用重新写：把一天的开发进展直接说清楚

《语音输入简化开发日报：用SaySo高效整理工作进展》摘要：程序员日报写作常陷于信息碎片化重组难题。本文介绍语音输入工具SaySo的创新解法：开发者只需口述当日工作流（如"完成登录异常处理，支付回调联调遇阻"），AI会自动整理为结构清晰的日报，将口语转化为规范的"进展-阻塞-计划"三段式，保留关键信息同时剔除冗余表达。该方案特别适合多任务并行场景，相比纯文

 2501_94652082
2026-06-11 10:12:51

 238

 5

#人工智能 #python #算法 +1
VoxAgent 是什么、怎么接入：让 AI Agent 打电话的 Voice OS

VoxAgent是一款面向AIAgent的电话语音运行时系统（VoiceOS），专注于解决AI电话交互中的基础设施难题。它提供号码资源、实时语音处理、智能打断、通话管理等核心功能，开发者只需通过Webhook接收通话请求、用SSE流式返回AI回复，无需自建电话系统。其核心价值在于让开发者专注模型与业务逻辑，快速实现AI电话能力（最短1小时接入），规避SIP线路、合规等复杂问题。目前产品处于免费测试

 Xzaveir_777
2026-06-11 10:03:56

 249

 5

#人工智能 #语音识别 #科技 +1