登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一个PB级院线级电影多模态数据集，包含3万小时高质量影视资源。该数据集将每部电影拆解为视频、音频和字幕三条独立数据流，保持严格时间对齐，并附带完整元数据信息。数据优势包括高清画质、专业内容、丰富场景和多模态拆解，适用于文生视频模型训练、多模态融合研究、视频检索和影视编辑等多种应用场景。该数据集解决了现有视频语料在质量、多样性和工程处理上的不足，为视频大模型训练提供了优质基座。
DeepSeek-OCR推出视觉文本压缩(VTC)技术，实现10倍文本压缩率，大幅降低大模型处理长文本成本。中科院自动化所等机构推出VTCBench基准测试，评估模型在视觉空间中的信息检索、关联推理和长期记忆三大能力。测试显示模型存在"空间注意力偏见"，但对中间部分理解能力随文档变长而衰退。Gemini-3-Pro表现优异，证明VTC是处理大规模长文本的可行路径，为长文本处理开辟新路径。
建国作为8年资深开发，面对老板的“月底必须上线”也慌得一批，从立项-开发-上线只一个月时间，界面到手月已过，留给开发的时间不多了，老板的宗旨是困难自己解决，我只要结果。建国这些年码海浮沉，也是积累了很多提高工作效率的经验，某著名人士说过，我之所以成功是因为站在巨人的肩膀上，那么在快速开发App这件事上，“巨人的肩膀”大概就是找一款合适的开源项目！安！排！！环信语聊房EasemobVoice这是一款
1 功能简介在直播、语聊房、K 歌房场景中，为增加趣味性和互动性，玩家可以通过变声来搞怪，通过混响烘托气氛，通过立体声使声音更具立体感。ZegoExpress SDK 提供了多种预设的变声、混响、混响回声、立体声效果，开发者可以灵活设置自己想要的声音，如果需要试听，可以启用耳返进行测试。变声：通过改变用户的音调，使输出的声音在感官上与原始声音不同，实现男声变女生等多种效果。混响：通过对声音的特殊处
实现高效的智能语音识别与交互，不仅仅依赖于准确的语音识别，还需要在交互设计、语音反馈、响应速度等方面做出优化。优化语音识别准确性：提高语音识别系统的准确性，尤其是在噪声环境下，确保语音命令能够被准确识别。设计简洁的语音指令：简化语音指令，避免复杂的语法结构，确保用户能够轻松发出命令并被系统理解。多轮语音交互设计：设计支持多轮语音交互的系统，能够处理用户的连续对话，并根据上下文进行智能应答。实时反馈
摘要：本文详细介绍了自动增益控制(AGC)系统的参数配置与优化方法。核心参数包括增益值(PP_AGCGAIN)、目标能量值(PP_AGCDESIREDLEVEL)、最大增益上限(PP_AGCMAXGAIN)和开关控制(PP_AGCONOFF)。文章阐述了AGC的五层处理机制，包括功率估计、目标计算、增益平滑、噪声抑制和硬限幅。特别强调了参数初始化、响应速度控制(TimeConstants)和可视化
智能体（Agent）是一种能够感知环境、制定决策并采取行动以实现特定目标的AI系统，一般具有记忆、规划、采取行为、使用工具等基本能力，如下图所示，其中规划中有思维链、能进行反思、目标分解。OS Agent（操作系统智能体）是一类特殊的智能体，它们通过操作计算设备（如计算机和移动手机）的图形用户界面(GUI)来完成各种任务。其中，基于视觉的智能体（如SpiritSight）和视觉-语言混合智能体（如
音视频通话实践教程
本文详细介绍了XVF3800芯片AEC（回声消除）模块的调试过程。首先通过调整AUDIO_MGR_SYS_DELAY参数将延时样本控制在40个以内，确保系统延时补偿准确。然后验证AEC收敛状态，并采集4路麦克风的AEC系数进行分析。重点阐述了时域和频域分析要点：时域要求冲激响应在200样本内收敛，频域要求平均增益小于0dB且峰值接近0dB。通过调整MIC_GAIN参数优化频域响应，最终实现回声有效
全球领先的边缘AI和智能音频专家XMOS宣布：公司已推出端侧多模态AI传感器融合接口（AI Sensor Hub），该接口利用XMOS的xcore软件定义系统级芯片（SoC）上灵活的接口和高效的算力，在边缘对来自不同接口的包括音频、图像、视觉和其他多种传感器输出的多模态信号进行融合以及AI计算，既可支持本地设备独立地对各种传感器信号进行AI推理计算，也可作为智算系统的输入前端并执行相应的功能。该方
本文介绍如何利用PyTorch与CUDA结合GPU算力，显著提升语音识别模型的推理速度。通过使用PyTorch-CUDA基础镜像，配合cuDNN优化，实现从CPU耗时8秒到GPU仅0.75秒的10倍以上性能提升，并探讨生产部署中的最佳实践与常见问题解决方案。
为全面助力大模型的发展，思腾合力与国内外知名芯片厂商合作，围绕算力底层技术支撑做了大量功课，持续在基础硬件方面提升实力，使得思腾AI算力服务器，可访问多个机器学习框架，大大加快训练速度，提升资源利用率，保障任务稳定性。未来，AI大模型需求会持续走高，思腾合力将会持续迭代产品、不断升级算力解决方案，适配支持更高效、更复杂算法的大模型，迎接大模型进一步引爆海量算力需求。随着投身AI大模型的公司如雨后春
所谓的“大模型”，全称通常指“大型语言模型”（Large Language Model，简称LLM）。我们可以把它拆解成两个词来理解：“大”和“模型”。1. 它是怎么个“大”法？这里的“大”，指的是参数量巨大和数据量巨大。数据量大：想象一下，如果一个人从出生开始，每分每秒都在看书，把人类历史上所有的互联网文章、书籍、代码、对话记录都看了一遍。这就是大模型的“阅读量”。参数量大：你可以把参数想象成大
本文介绍了一个高质量多语种语音识别数据集，包含15种语言的1500个WAV格式音频文件（约50小时）。数据集采用专业录音设备录制，涵盖日常对话、商务交流等多种场景，并配有精确的JSON格式文本标注。语言覆盖印欧、亚洲、南岛等主要语系，每种语言提供100个样本（约3.3小时）。该数据集具有音频质量高、标注精准、场景多样等优势，适用于多语言语音AI模型训练和全球化语音应用开发，为语音识别系统研发提供了
需求即梦AI其他AI工具提示词执行准确⭐⭐⭐⭐⭐⭐自然语言生成音画合一⭐⭐⭐⭐⭐输出商业可用视频⭐⭐⭐⭐⚠️中文与方言兼容⭐⭐⭐⭐⭐⭐一站式创作⭐⭐⭐⭐❌即梦AI推出的视频 3.5 Pro 模型，标志着AI视频生成进入真正的音画一体、链路一体的创作时代。不再需要你在多个工具里切来切去、不再为配音、音效、镜头控制烦恼——你只需要好好写提示词，就可以像写剧本一样让AI帮你实现。对于漫剧人、内容创业者、
历史的发展总是“曲折向前”，新技术初期难免出现“马拉火车”式的过渡阶段——就像清末民初有人担心火车取代马车，于是用马拉火车妥协，但最终火车还是取代了马车，因为它从根本上提升了生产力。Agent的核心价值，是“解放人类生产力”：让普通人不用懂代码就能开发应用，让开发者摆脱重复的流程配置，让复杂任务通过协同高效完成。现在学习Agent，不仅能掌握大模型时代的核心技能，还能抢占未来1-2年GenApp爆
四川方言语音识别数据集提供1500小时高质量语音数据，配套精准标注，助力方言识别技术发展。该数据集采用真人采集，16kHz采样率，字准率≥98%，涵盖日常对话、客服等多样场景，可有效提升语音模型在智能客服、车载交互等应用中的识别准确率。适用于方言识别模型训练、语音助手本地化优化及大模型语音能力增强，推动AI技术在西南地区的落地应用。
本文提出了一套完整的鸿蒙系统语音识别开发方案，涵盖从音频采集到结果输出的全流程实现。针对端侧应用场景，重点优化了低延迟、隐私保护和性能平衡等关键问题。文章提供了三种部署架构选择，详细讲解了音频预处理、特征提取、流式解码等核心技术模块的实现方法，并给出具体代码示例。同时提出了端到端延迟、功耗控制等工程化指标，为开发者提供了一套可落地的鸿蒙语音识别开发指南。
ServiceNow推出音频大模型评估神器：AI语音助手测评从此不再头疼
本文介绍了XVF3800音频处理模块的关键调优参数设置方法。首先说明参考增益AUDIO_MGR_REF_GAIN的默认值1.5是合适的，能避免回声消除不足或信号削波问题。其次指出麦克风增益AUDIO_MGR_MIC_GAIN需确保回声信号比参考信号低6dB以上，防止AEC算法不收敛。最后解释了静音等级AEC_AECSILENCELEVEL的自适应机制，建议保持默认值1e-9。测试使用白噪声和静音文
GLM-4.7模型突破性地从"答得对"转向"做得完"，重点提升编程任务和多步骤执行能力。其创新训练方法采用工程化思维：严格筛选有效数据，小模型验证后再训练。推理机制引入"交织式思考"，显著提升Agent任务稳定性。同时，模型在UI审美和工程理解方面也取得突破，能完成复杂交互流程。智谱还开源了强化学习框架Slime，推动模型向生产落地转型。
新疆大学与清华大学团队提出SHTNet语音识别框架，通过球谐变换实现阵列几何解耦，显著提升多通道语音识别的鲁棒性。该框架包含球谐编码器、空间-频谱注意力融合网络和Rand-SHT训练策略，在AISHELL-4等数据集测试中展现优异性能：CER更低、计算量减少97.1%、跨阵列稳定性强（8通道降至2通道仅降2.32%），流式识别延迟仅15.5ms。研究成果发表于INTERSPEECH2025，代码已
今天给大家介绍第三款软件——静心种菜（PC端），这是一款可以离线玩的种菜小游戏，让人想起当年风靡一时的QQ农场，种菜偷菜的乐趣仿佛又回来了。除了基本的种菜玩法，软件还有其他有趣的功能等待大家去探索体验，如果你也想找个简单的小游戏放松一下，不妨试试这款静心种菜。这款软件是纯粹的离线种菜游戏，通过升级可以解锁更多土地和种子，种下种子后等到成熟就可以收获，玩法简单又怀旧。软件还有一个贴心的功能，可以设置
九鼎创展已经量产了一款AI陪伴机器人，它能够个性化定制，智能交互，主动感知，依赖，娱乐指令，实用功能，进阶关怀功能。3-7秒内激发本能兴趣和惊喜感，强烈的视觉冲击+不可思议的生命感，具有待机动作，特殊待机动作，撸宠互动，特殊情绪表达，情绪表达，自然语言对话，学习。它可以支持语音打断提醒，比如你跟他说：K宝K宝，放一首薛之谦的演员，就会立刻放歌，如果歌放到一半，你说：K宝K宝，来一首周杰伦的晴天，机
需要注意的是，不同浏览器的支持程度可能有所差异，例如Chrome和Edge对它的兼容性较好，而其他浏览器可能需要额外配置。在Vue项目中，我们可以通过创建一个自定义组件来封装语音识别逻辑，这样既能保持代码的模块化，又便于复用。首先，在函数中定义几个关键变量：（布尔值，表示是否正在监听）、（字符串，存储识别出的文本）和（字符串，用于捕获可能的错误信息）。然后，在部分，我们可以添加启动和停止语音识别的
在用户权益保护方面，算法推荐服务提供者应当以显著方式告知用户其提供算法推荐服务的情况，并向用户提供不针对其个人特征的选项，或者提供便捷的关闭算法推荐服务的选项。不同算法类型的通过数量也不一样，其中生成合成类（深度合成）算法占所有算法备案中的83.58%，个性化推送类占8.17%，检索过滤5.26%，精选排序占1.47%，调度决策占1.52%。算法备案的适用对象广泛，不仅涵盖 APP 和小程序，还包
特征维度核心优势核心局限关键特征代表典型应用场景时域特征计算简单、实时性强、物理意义直观无法反映频率分布，对噪声敏感STE、ZCR、F0、ACF、时域熵语音/静音分割、基音检测、实时语音检测频域特征清晰体现频率成分、共振峰/谐波特性丢失时间信息，无法捕捉时变规律PSD、频谱质心、频谱平坦度、共振峰、谱熵元音识别、声道特性分析、频谱匹配时频域特征同时保留时间和频率信息，鲁棒性强计算复杂度高，需变换处
本文探讨如何在资源有限的STM32F407单片机上实现本地关键词检测（KWS），利用CMSIS-DSP和TinyML技术完成音频采集、特征提取与轻量级神经网络推理，实现无需联网、低延迟、高隐私性的语音控制应用。
语言模型概率加权公式： [ \log P_{\text{total}}(y|x) = \log P_{\text{AM}}(y|x) + \lambda \log P_{\text{LM}}(y) + \gamma |y| ] 其中λ控制语言模型权重，γ调节输出长度惩罚。评估指标使用词错误率(WER)： [ \text{WER} = \frac{S + D + I}{N} \times 100%
本文系统探讨了小智AI音箱语音命令执行的技术优化路径，涵盖信号处理、语义理解、决策调度与反馈生成的全链路架构，提出边缘-云协同、多模态融合及分布式执行等创新方案，以提升响应速度、准确率与用户体验。
大家可以使用官方的 XR Interaction Toolkit Plugin（OpenXR）或者UXR3.0 的SDK ,这里我使用的XR Interaction Toolkit Plugin作为教程。你是否曾想过让你的Rokid设备在无网环境下依然“耳聪舌辩”？是否希望用户的每一条指令都能得到毫秒级的响应，且隐私绝对安全？离线语音识别（ASR）技术正是你的不二之选。场景创建空物体挂载脚本，添加
CS8898S和CS8308S都是SOT23-8L的封装，管脚排列大致相同，在设计线路上可以做到完全的兼容设计。1，相比MSOP8的封装节省45%的PCB面积，且性能不下降，实现AB类(CS8898S)和D类(CS8308S)的兼容设计，实现不同方案功放的自由选择，2，兼顾降本和突出性能的双重选择，避免方案设计的重复工作，一次设计，4，小功率市场针对的是NS4150B，架构优势封装优势。3，后续无
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
2048 AI社区
广州城市开发者社区
网易云信开发者社区
HarmonyOS开发者社区
九章云极普惠算力
火山引擎开发者社区
