登录社区云，与社区用户共同成长
邀请您加入社区
欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net语音识别引擎返回的原始文本，往往不能直接用于业务场景。缺少标点、格式混乱、偶尔有错别字——这些问题都需要通过后处理来解决。flutter_speech本身不做后处理，它只负责把引擎返回的原始文本透传给Dart层。后处理的逻辑应该在Dart层实现，这样可以跨平台复用。今天我们来看看语音识别结
欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.netflutter_speech默认配置的最大录音时长是60秒，识别模式是短语音（recognitionMode=0）。对于语音搜索、语音指令这类场景完全够用。但如果你要做语音笔记、会议记录、实时字幕这类需要长时间识别的功能，就需要突破这个限制。今天我们来探讨如何基于flutter_speec
本文聚焦解决AI落地中的核心痛点：当意图识别模型上线后，如何应对用户新需求、新表述带来的"模型老化"问题。我们将覆盖在线学习的原理、关键技术、实战方法，以及持续优化的完整流程。从生活场景引出问题→解释核心概念→拆解技术原理→实战代码演示→真实应用场景→未来趋势展望，层层递进揭开在线学习的本质。意图识别：将用户文本/语音转换为预定义意图标签的任务（如"查询天气"“投诉物流”）在线学习（Online
在当今数字化的时代，AI原生应用变得越来越普遍。我们的目的就是要搞清楚在这些应用里，如何运用情境感知来更好地处理数据。范围呢，涵盖了各种使用AI技术构建的原生应用，像是智能语音助手、自动驾驶汽车系统、智能家居设备等等。我们会研究在这些应用场景下，怎样利用情境感知的数据处理技巧，让应用变得更智能、更贴心。接下来我会一步一步地带你了解相关知识。先给你解释核心概念，就像认识新朋友一样，让你知道情境感知和
MedASR 是一款基于 Conformer 架构的医疗语音识别模型，拥有 105M 参数，经过约 5000 小时的医学语音数据预训练，涵盖放射学、内科、全科等多种医学专业领域的语音内容。它能够精准识别复杂医学术语和专业上下文，为开发者提供可定制化的基础模型，适用于医学口述转录、临床对话记录、多模态医疗应用开发等多种场景。
当语音交互成为人机沟通的核心载体之一，人声复刻的自然度、高效性与安全性，逐渐成为衡量AI语音技术的核心标尺。2026年，OpenAI正式发布新一代语音生成与复刻技术——Voice Engine 2026，以“15秒复刻人声、零感知合成延迟、全场景适配兼容”三大核心优势，打破了此前语音复刻技术在效率、自然度与泛用性上的三重瓶颈，重新定义了AI语音技术的发展边界，也为全球语音交互产业的升级注入了全新动
本文介绍了Vercel AI SDK 6的高级特性，包括如何构建智能Agent和多模态应用。主要内容包括： 使用ToolLoopAgent封装智能体，使其成为可复用的模块，并演示了一个研究员Agent的实例。 Loop Control机制，通过stopWhen和prepareStep精确控制Agent的执行流程。 多模态能力，让AI能够处理图像输入，以发票识别为例展示实现方法。 DevTools调
作为专注于语音技术的最大规模会议，Interspeech 长期以来一直是展示来自某机构Alexa的自动语音识别（ASR）最新研究的舞台。今年，Alexa研究人员在会议上发表了12篇ASR论文。来源：“Efficient minimum word error rate training of RNN-transducer for end-to-end speech recognition”
欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net语音识别不只是"开始"那么简单，怎么结束同样重要。flutter_speech提供了两种结束方式——stop和cancel，它们的语义完全不同：stop是"我说完了，给我结果"，cancel是"算了不要了"。这两个方法的代码都很短，加起来不到30行。但别小看这30行代码，里面涉及的状态管理
欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net引擎创建好了，监听器也设置好了，现在终于可以开始识别了。方法是用户按下"开始"按钮后真正触发的动作，也是整个语音识别流程中参数最多的一个环节。Core Speech Kit的需要传入一个对象，里面包含了音频参数、扩展参数、会话ID等配置。这些参数直接影响识别的质量和行为——采样率设错了识别
欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net引擎创建好了，接下来最重要的就是设置监听器——告诉引擎"识别到结果了通知我"。这就是方法要做的事。监听器是整个语音识别流程中信息密度最高的部分。四个回调方法（onStart、onEvent、onResult、onError）加上一个onComplete，每个回调的触发时机、参数含义、与Da
欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net上一篇搞定了权限申请，今天来讲语音识别引擎的创建——。这是整个语音识别流程中最关键的一步，引擎创建成功了，后面的监听、识别、停止都是顺水推舟的事。说实话，这个API看起来很简单——就两个参数嘛。但实际用起来，参数格式、异步处理、异常捕获、能力检测，每一个环节都有讲究。我在适配过程中，光是l
本文系统梳理了大模型算法工程师的核心能力体系，涵盖数学基础、编程能力、深度学习等基石技能，以及数据处理、模型优化、对齐技术等核心技能，并探讨了多模态、Agent、RAG等前沿方向。文章指出该岗位已从单纯调参发展为需掌握算法、工程、数据的复合型人才，薪资范围7K-40K+。最后提供了从初级到高级的系统学习路径，包括基础课程学习、开源项目实践和前沿技术追踪等阶段，为从业者绘制了清晰的技术成长蓝图。
AI 原生即时通讯社交平台 Teamily AI 正式上线。该平台打破了传统的单人助手模式，
摘要：KiloWorD3是一款爆火的开源TTS工具，集成语音克隆、设计和合成三大功能，支持多国语言。提供25.2GB离线整合包，6GB显存即可运行。包含情感丰富的语音设计、高精度语音克隆和拟人化语音合成，完全免费且隐私安全。操作简单，通过Web界面即可实现专业级语音生成，适合配音、有声内容创作等需求。1.7B参数版本效果最佳，推荐显存充足的用户使用。
如果你也觉得现在的 AI 不该只会打字——而是应该能，甚至还能自己跑流程——那举办的 VOX TOKYO 就是一次很适合“直接上手”的线下冲刺。这是一场聚焦的线下黑客松。我们邀请开发者、创业者和创意人才齐聚川崎，利用，在内做出一个能 Demo 的语音 AI Agent 原型。新手也欢迎，现场有人一起 vibe coding，餐饮饮料都安排好，你只要带电脑 + 一个点子来就行。作为 RTE 开发者社
多模态信息入口：文字、语音、图片、文档都能接。可执行的 Agent 容器：不只是回答，还能调用能力去做。面向真实世界的自动化中枢：把“沟通”变成“流程”，把“信息”变成“动作”。大模型擅长理解意图、归纳信息、生成计划Skills 才能把计划落到现实：调用系统、接平台、跑流程很多工具的价值是“让我更快”，OpenClaw 更接近“让我少操心”。能接信息、能理解、能执行、能协作、能复盘。OpenCla
官方原文为博客文章生成语音朗读生成多种语言的语音使用流式传输提供实时音频输出简单来说，TTS 就是让 AI “说话”——你给它一段文字，它返回一段音频。应用场景举例有声读物 / 博客文章朗读语音助手的回复播报视频配音无障碍访问（为视障用户朗读网页内容）多语言内容本地化官方文档章节本文对应核心要点第 2 章TTS 就是让 AI “说话”，文字转音频第 4 章获取 API Key，通过环境变量安全配置
当前，人工智能应用正加速从云端向边缘侧与终端设备渗透。在这一趋势下，成为关键需求。专为神经网络计算设计的因其在能效比上的巨大优势，已成为边缘AI芯片的核心组件。与此同时，凭借其更小的体积、更快的速度以及对硬件更低的依赖，在移动端、IoT设备和工业嵌入式场景中展现出强大的应用潜力。将小模型部署于NPU，旨在充分发挥两者优势，实现的AI赋能。然而，从训练完成的模型到在NPU上高效、精准地运行，中间存在
2026年语音转文字工具测评：4款热门软件横比 随身鹿以99%准确率和AI智能总结功能领跑，支持多端同步和一站式媒体处理，综合评分9.8/10；钉钉闪记凭借钉钉生态和限免政策成为性价比之选；RevVoiceRecorder擅长英文识别和影视字幕制作；AssemblyAI则提供API服务适合企业定制开发。测评建议根据识别准确率、AI功能、易用性等维度选择，日常办公推荐随身鹿，钉钉用户可选闪记，专业需
传统酿造工艺面临经验流失、环境敏感和工艺黑盒化等数字化困局。AI监控系统通过三层测试架构（感知层、决策层、执行层）实现工艺优化，某酒厂应用后批次合格率提升7.2%，异常发现时效提高92%。测试工程师需构建数字孪生体、沉淀测试资产，并遵循传统工艺保护三原则，在提升效率的同时守护非遗技艺的核心价值。
摘要：本文对比三款支持Word/Markdown导出的会议纪要工具。随身鹿（9.8分）支持Word/PDF/TXT/Markdown四种格式导出，AI生成10+种模板纪要，专业领域识别准确率达99%。飞书妙记（8.2分）深度集成飞书生态，中文识别准确但导出格式受限。通义听悟（8分）与钉钉集成，支持多格式但Markdown导出较弱。选购时应重点考察导出格式多样性（30%）、导出质量（30%）、AI纪
会议纪要工具对比：随身鹿、钉钉AI听记、通义听悟三款主流工具的优劣势分析。随身鹿以99%准确率和完美格式导出（Word/Markdown）领先，13种专业模板适合高频会议用户；钉钉AI听记优势在于钉钉生态集成和120+语言支持；通义听悟则提供每日10小时免费额度。核心选购标准取决于格式要求、使用场景和预算，随身鹿在专业性和格式保留方面表现最优。
【会议纪要工具测评：随身鹿、通义听悟、飞书妙记对比】 随身鹿（★★★★★）： 一键导出Word/Markdown，格式完美保留 13种专业模板30秒自动生成纪要 99%转写准确率，支持13个专业领域 多端同步+会议知识库功能 价格：3年298元（月均8元） 通义听悟（★★★★☆）： 每日10小时免费额度 AI总结能力强，支持思维导图 网页/小程序入口便捷 导出格式调整较弱 飞书妙记（★★★★☆）：
本项目用于将文本文件转换为MP3语音文件，适合中文语音合成的场景（如制作有声读物、语音提示等）
在国内互联网产品激战正酣之际，扬帆出海的破局者却频频出现，随着一带一路新兴市场红利的显现，越来越多的企业开始布局海外并交出亮眼成绩，StarMaker 就是其中的佼佼者！StarMaker 是一款基于在线K歌的语音社交产品，用户可以在平台创作并分享自己的音乐作品，通过视频直播或语音聊天互动获得观众打赏。一款来自中国的出海产品，却成为东南亚、中东、欧美等海外地区音乐社交产品榜单的“常客”。在易观分析
2026年AI技术爆发：机遇与挑战并存 2026年，AI已深度融入各行业：从办公自动化到工业制造，从科研辅助到创意设计。AI智能体不仅能完成重复性工作，更展现出规划决策能力，企业AI应用渗透率预计达40%。但AI的局限同样明显：缺乏情感共鸣与创造力突破，仅能优化现有模式而无法开创全新领域。技术演进带来的不仅是效率提升，也面临能源消耗、伦理安全等新挑战。AI本质是人类的超级助手;，其发展将重塑而非取
参数规模是指模型中可调整的参数总数，单位为“B”（1B=10亿个参数），相当于模型的“先天智商”，直接关联模型的知识储备和规律学习能力。：如果任务涉及多场景需求（如“图文结合生成宣传视频”），优先选择多模态模型，避免多个单模态模型拼接（会出现信息不对齐，导致“幻觉”）。上下文长度指模型一次能处理的“输入+输出”总TOKEN数，相当于模型的“记事本容量”，决定了模型能记住的对话/文本长度。选型的核心
本文介绍了大模型微调的技术要点和参数优化方法。首先说明了项目环境配置，包括镜像设置和关键依赖安装（transformers、peft等）。重点分析了全量微调的计算成本，详细拆解了模型权重、梯度、优化器状态和中间激活值的内存需求。通过数学公式推导了梯度下降原理，解释了优化器（如AdamW）如何通过动量矩和方差矩解决训练中的方向不稳定和参数尺度差异问题。文章为高效微调大模型提供了理论基础和实践指导，特
经常进行文字创作、PPT 制作的职场人士，需要频繁进行跨语言沟通的工作人员，以及追求高效办公、希望通过 AI 工具简化办公流程的用户，399 元的咪鼠 M4AI 能带来显著的效率提升，物有所值。
2026年最值得关注的4款录音转写工具测评：随身鹿以99%准确率和AI智能纪要功能成为综合首选，效率提升300%；速记通Pro5.0适合企业级专业场景；Trint擅长团队协作和多语言翻译；CMUSphinx则作为开源工具满足隐私需求。实测显示，随身鹿在准确率、AI处理能力和性价比方面全面领先，能将小时级的文字工作压缩到分钟级完成，特别适合会议纪要、课堂笔记和采访整理等场景。选购时应重点关注准确率、
本文介绍了如何在星图GPU平台上自动化部署Qwen3-ASR-1.7B镜像，实现零代码语音转文字功能。该平台简化了部署流程，用户可快速搭建语音识别环境，应用于会议录音转文字稿、视频字幕生成等场景，显著提升内容处理效率。
本文介绍了如何在星图GPU平台上自动化部署🎤Qwen3-ASR-1.7B镜像，实现高效的语音转录功能。通过Python调用API，用户可以批量处理音频文件，自动转换为文本，适用于会议记录、访谈整理等场景，提升工作效率并确保数据隐私安全。
本文介绍了如何在星图GPU平台上自动化部署🎙️ Qwen3-ASR-0.6B智能语音识别镜像，快速搭建本地语音转文字工具。该工具支持会议录音、语音笔记等音频文件的本地化智能识别，保障数据隐私安全，大幅提升音频内容处理效率。
当特斯拉不再坚持“全球统一”，中国 AI 上桌了。
摘要：2026年最值得关注的4款中英混合录音转写工具测评显示，随身鹿以99%的准确率领先，特别适合跨国会议场景。该工具支持13个专业领域识别、声纹区分和AI自动整理功能，综合评分9.8/10。LectMate专注教育场景（8.2/10），话袋APP适合轻量记录（7.5/10），阿里云则面向企业用户（8.0/10）。随身鹿在准确率、专业性和会后整理方面表现最优，是处理中英夹杂会议录音的首选工具，能实
理解2G，不仅是回顾一段技术历史，更是理解当前我们享用的高速移动互联网从何而来，其底层逻辑如何一步步构建。在5G乃至6G方兴未艾的今天，重温2G的特点与挑战，能让我们更加深刻地认识到通信技术演进的内在规律：即总是在解决旧问题的同时，不断触碰和突破新的天花板。
通过Fun-ASR WebUI实现游戏语音的本地化转录，结合VAD和批量处理技术，构建低门槛、高效率的语音内容审核系统，助力中小团队精准识别辱骂、外挂等违规行为，在保障隐私的同时提升运营治理能力。
本文介绍了如何在星图GPU平台上自动化部署SenseVoiceSmall 多语言语音理解模型 (富文本/情感识别版) 镜像，实现游戏语音中玩家情绪与声音事件的实时识别。用户无需配置环境，上传语音即可获得带[HAPPY]/[ANGRY]等标签的富文本结果，典型应用于游戏场景下的玩家心态分析与体验优化。
日语AI语音合成软件：您输入日语文本，它会用各种逼真的AI声音读出来，并可以导出为音频文件（如MP3）。
语音识别
——语音识别
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
2048 AI社区
松山湖开发者村综合服务平台
网易智企-云信开发者社区
ModelScope魔搭社区
