登录社区云，与社区用户共同成长
邀请您加入社区
这篇文章主要讲述了如何部署一个基于SpringBoot和Vue开发的ASR数据集采集系统，主要用于为FunASR训练模型前的数据集准备工作，支持多人同时录制多端设备采集，可以导出excel表格用于训练FunASR方言或者特定领域模型。
本文分享了离线语音转写系统开发中的技术难点与解决方案。针对静音幻觉问题，采用三层降噪+VAD增强方案；基于Qwen-ASR模型优化时间戳对齐，误差控制在50ms内；通过多进程隔离、内存复用等技术实现32路高并发稳定运行。系统最终实现了纯净转写、精准时间戳、低延迟等目标，适用于企业本地化部署场景。文章详细介绍了从音频预处理、模型优化到高并发架构的全链路技术方案，为离线语音识别项目提供了实战参考。
智能设备接入AI大模型操作指南 本文提供智能设备手动接入AI大模型的完整方案，涵盖主流穿戴设备（耳机/手表/眼镜/智能音箱）的三种接入路径。核心方案包括：1）官方内置AI直接启用；2）通过开放平台自定义API接入；3）利用第三方工具免开发部署。详细说明了天猫精灵、智能耳机、智能手表和智能眼镜的具体配置方法，包括阿里云函数部署、Tasker中转调用等关键技术节点。同时给出通用接入流程：准备API密钥
本文对比了两种音频转写方案：FunASR存在漏字、标点错误和角色区分问题，而ffmpeg+pyannote+Qwen-ASR方案在角色区分和转写准确率上表现更优。重点记录了离线部署过程中的关键问题：1)环境适配问题需匹配CUDA和torch版本；2)模型版本冲突需降级pyannote至3.1版本；3)需配套使用segmentation-3.0和wespeaker-voxceleb-resnet34
以 LS26（Arcs-mini） 开发板二次开发为例，展示如何通过语音触发 I2C 通信，驱动外接温湿度传感器，并实时返回环境数据。
2026年AI测试标准迎来重大变革：国际ISO/IEC42119系列构建全生命周期测试框架，中国YD/T6770-2026成为具身智能领域首个行业标准。新规推动测试范畴从功能验证扩展到数据安全、算法公平、伦理合规等维度，要求测试左移和持续监控。测试人员需掌握AI专项工具、理解法规标准，向"AI治理工程师"转型。这场变革既带来挑战，也为测试从业者提供了成为智能化转型核心力量的历史
本文介绍了前端JS调用讯飞实时语音转写大模型的技术实现方案。核心流程包括音频采集、16kHz重采样、16bit位深转换、VAD静音检测和WebSocket分帧传输等关键技术点。重点解析了预录缓冲机制解决语音开头截断问题，以及HMAC-SHA1动态签名确保API安全。文章还提供了Vue调用示例、性能优化建议和完整的异常处理机制，为开发者提供了在前端实现高精度语音识别的完整解决方案。该方案适用于智能客
它统一了模型加载、使用和微调的接口，让你用几行代码就能调用最前沿的模型。当你的项目不只是调用一个模型，而是需要构建复杂的应用流程时，LangChain就是你的好帮手。LlamaIndex专门解决这个问题——它帮你连接各种数据源（PDF、数据库、网页），自动完成文档解析、切片、索引构建，还提供了丰富的检索策略。毕竟，工具的意义，从来都是让我们的工作更高效，而不是让我们成为工具的操作工。开源社区为我们
在语音技术同质化日益严重的今天，夏杰语音以“轻量高效”为核心突破口，通过实测数据证明，语音工具无需依赖高资源消耗，也能实现稳定的核心功能。8MB的APK大小、20MB的运行内存、静默时小于1%CPU占用，每一项数据都体现了其底层优化的实力，也精准击中了嵌入式设备、老旧终端、多应用协同等场景的核心需求。从技术角度来看，夏杰语音的优化思路值得借鉴——在当前AI模型越来越“重”的趋势下，“轻量化设计”或
从“听懂一句话”到“流畅对话”，语音识别芯片的技术演进正在重塑人机交互的方式。无论是做智能家居、医疗器械，还是工业设备、车载系统，选择一颗合适的语音识别芯片，往往决定了产品的交互体验和市场竞争力的上限。语音芯片供应商已形成从OTP语音芯片、Flash可烧录芯片到高集成度语音识别芯片的完整产品矩阵，为不同场景提供从芯片选型、方案设计到量产交付的全栈式服务。未来，随着AI大模型与端侧智能的深度融合，语
摘要：Index-TTS是一款专为内容创作者设计的AI语音合成工具，具有零样本快速语音克隆功能，仅需3-5秒音频即可精准复刻人声。支持10余种情绪细粒度调节，提供双交互界面，8G显存即可本地运行，保障数据隐私。适用于短视频、有声书、虚拟主播等多种场景，大幅提升音频制作效率。软件操作简单，兼容性强，解决了传统TTS机械生硬、门槛高的痛点，是AI语音合成领域的标杆工具。
本文不会像市面上很多文章那样，只停留在“多模态AI很厉害”“ChatGPT-4o能看能听能说”这种“表面科普”层面——我们会从底层逻辑到核心原理，从系统架构到实战代码，一步步拆解多模态AI Agent的构建过程。先搞懂“概念基础”：什么是单模态AI？什么是多模态AI融合？什么是Agent？为什么要把“多模态融合”和“Agent架构”结合起来？这几个核心概念的关系是什么？再深挖“核心原理”：多模态融
豆包AI知识库优化指南：结构化投喂+权威内容提升引用率 核心方法分两部分： 知识库投喂技巧 结构化上传：文档/文字/图片/语音多格式支持，每条加标题标签 优化内容：问答对格式、分段列表、去冗余脱敏，按主题分类存储 测试维护：启用知识库后验证引用效果，定期更新版本 排名优化策略 内容质量：关键词前置、多级标题、FAQ问答对 权威建设：真实案例/数据来源，统一术语和标签体系 外部联动：在头条/抖音等字
AI 知识卡的核心价值，是通过 AI 能力从书籍、音频、文档中提炼核心知识点，将厚重的学习内容拆解为可碎片化吸收、体系化沉淀的知识资产，彻底告别 “划满重点却记不住” 的无效学习。本文聚焦与 4 款海外主流工具的 AI 知识卡核心功能，从5 大核心维度精简测评，帮你快速找到适配的提效工具。
"播音终结技"是一款B站视频内容处理工具，具备BV号识别、视频下载、音频提取和内容总结等自动化功能。该工具基于PySide6开发图形界面，支持一键全流程操作：从视频链接自动提取BV号，通过BBDown下载视频，使用Qwen3-ASR转换音频为文本，最后利用Qwen3.5大模型生成内容摘要。项目开源且提供预构建包，需额外配置BBDown、Qwen3-ASR-GGUF等依赖项。支持
本文全面介绍了Vosk离线语音识别工具包，包括其核心特性、技术架构和实现方法。Vosk基于Kaldi引擎优化，支持40多种语言，完全离线运行，具有轻量高效、多平台兼容等特点。文章详细讲解了Python环境下的两种核心应用场景：本地音频文件转写和实时语音识别，并提供了代码示例和调试指南。此外，还介绍了识别优化、功能拓展和嵌入式设备部署等进阶内容，分析了Vosk的优缺点及适用场景。作为开源免费工具，V
YYAI变声工具深度体验报告：这款工具凭借AI智能适配技术，成功解决了传统变声机械感强的问题，通过实时捕捉语气细节实现自然流畅的变声效果。其核心优势体现在高清降噪算法、数百款预设声线和轻量化设计三大方面，完美适配游戏开黑、直播互动等多元场景。特别值得注意的是新增的游戏整活音效包功能，内置海量趣味音效，让开黑氛围更活跃。
语音转文字工具实测指南 本次测试对比了四款热门免费语音转文字工具的核心功能，包括支持的音频格式（MP3、WAV等）、识别语言（普通话、方言等）及导出选项（TXT、SRT等）。工具C表现突出，支持多种格式和高准确率；工具B对方言识别更优。操作流程简单：上传音频→选择语言→转换→校对→导出。为提高准确率，建议优化录音质量、选择匹配语言模型并人工校对。完成转写后，可配合语音合成工具（如顶伯）实现文字到语
亲测大半年8款主流AI纪要工具，针对HR日常面试记录、OKR面谈整理这类高频需求，听脑AI是同类工具中最值得用的一款。不管你是刚接触AI工具的新手，还是已经用过好几款觉得不好用的老用户，听脑AI的准确率和性价比都远超同价位产品，今天手把手给你拆解全套操作流程，看完就能上手，一年能省至少30小时无效整理工时，按时薪计算就是实打实多赚1600块。
电磁兼容(Electromagnetic Compatibility, EMC)是指设备或系统在其电磁环境中能正常工作，且不对该环境中任何事物构成不能承受的电磁骚扰的能力。这个概念看似简单，实则包含了极其丰富的工程内涵，是现代电子系统设计中不可或缺的核心技术领域。EMC三要素模型：任何电磁兼容问题都可以抽象为三个基本要素的相互作用：只有当这三个要素同时存在时，才会产生电磁兼容问题。因此，EMC设计
是NVIDIA推出的并行计算平台和编程模型。它允许开发者使用C/C++语言编写在GPU上执行的程序。
2026年中文TTS选型指南：分场景拆解核心需求 短视频场景首选MiniMax，侧重生成速度与情绪表达；短剧配音推荐AnyVoice2.0，其情绪精准调控（参数调节+参考音频）和多角色区分能力突出；有声书场景优选AnyVoice1.5，长文本稳定性和中文停顿专项优化是关键。选型需规避三大误区：音质≠中文自然度、克隆拟真≠长文本稳定、免费额度≠生产可用。Qwen3-TTS适合有GPU资源的团队，Vo
腾讯会议推出"天籁智联"协议，实现硬件设备与会议系统的深度整合。该协议允许麦克风、耳机等设备直接调用腾讯会议功能，将线下交流转化为可检索的AI数据资产。首款落地产品影石Insta360Wave麦克风集成了天籁音频算法，支持5米拾音和智能降噪，可实现一键会议控制及语音转写。协议面向全硬件生态开放，未来将覆盖耳机、AI眼镜等多类设备，推动会议场景从单一工具向智能化生态转型。这一创新
摘要：本项目使用ESP32的memory-mapped assets机制打包资源文件，主要包含语音识别模型、字体文件、表情图标、布局配置等资源。打包过程通过Python脚本完成，生成包含文件头、文件表和文件数据的二进制文件assets.bin。运行时通过内存映射加载资源，包括语音模型初始化、字体设置等。支持手动指定资源路径或自动从sdkconfig读取配置进行打包，最终生成的文件需烧录至ESP32
本文介绍了一种无需编程的智能灯光控制方案，通过SU-03T语音识别模块和433MHz无线遥控实现灯光便捷控制。方案包含语音识别发射端和接收控制端，支持语音指令和按键遥控两种操作方式，可自由调节灯光亮度。硬件采用SU-03T离线语音模组和蜂鸟无线模块，配合灵_R1A接收器，实现低成本、易部署的智能灯光系统。该方案解决了夜间下床关灯的痛点，用户只需动嘴或按键即可完成操作，适合智能家居场景应用。
Snowboy是KITT.AI开发的轻量级离线语音唤醒引擎，支持自定义唤醒词、低功耗运行和跨平台部署。核心优势包括本地化处理保障隐私、多唤醒词并行识别、适配树莓派等嵌入式设备。应用场景涵盖智能家居、车载系统、机器人交互等。部署方式支持源码安装和Docker容器化，可与DolphinASR、EasyVoice等模块构建完整语音交互链路。虽然官方已停止维护，但其开源特性仍受社区支持，适合本地化语音项目
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
AtomGit开源社区
2048 AI社区
科技大视野开发者社区
AI硬件创业社区
