语音 – XROBOT

编者按：AI 自动生成播客早已不是新鲜事，但常见的 AI 播客只局限于几分钟的双人对话，这是因为传统语音生成模型大多基于离散化方法，更擅长生成短句、单一音色、结构规整的语音内容。近日，微软亚洲研究院提出了一种全新的语音生成模型 VibeVoice。...

谷歌新模型釜底抽薪：你还在费力拼接多模态AI吗？一个API已经终结了比赛

快速导读：谷歌发布Gemini Embedding 2，一个能将文本、图像、视频、音频、PDF统一编码的“怪物”。关键是，它原生理解音频视频，不再需要先转录成文字。对于构建RAG或多模态应用的团队来说，这意味着大量复杂的“管道工程”一夜之间被废弃了。 ...

摘要本报告介绍了FunAudioLLM，这是一个旨在增强人类与大型语言模型（LLMs）之间自然语音交互的模型家族。其核心包括两个创新模型：SenseVoice，负责处理多语言语音识别、情感识别和音频事件检测；以及CosyVoice，...

Gradio界面超友好，点点鼠标完成语音分析你有没有过这样的经历：录了一段会议录音，想快速知道里面说了什么、谁在笑、谁语气激动、背景有没有音乐？以前可能得先转文字，再人工标注情绪，最后还要听好几遍确认。现在，这一切只需要点几下鼠标——上传音频，选个语言，点击识别，结果就出来了，...