搜索[语音识别系统]结果-低调大师优秀个人博客

精选列表

搜索[语音识别系统]，共6955篇文章

小米开源首个原生端到端语音大模型 Xiaomi-MiMo-Audio

小米宣布正式开源首个原生端到端语音模型——Xiaomi-MiMo-Audio，基于创新预训练架构和上亿小时训练数据，首次在语音领域实现基于 ICL 的少样本泛化，并在预训练观察到明显的“涌现”行为。

2025-09-19

阿里巴巴推出端到端语音识别大模型 FunAudio-ASR

阿里巴巴通义实验室宣布正式推出 FunAudio-ASR —— 一款专为解决企业落地难题而生的端到端语音识别大模型。

2025-09-17

小红书开源 FireRedTTS2，专为长对话设计的语音生成系统

小红书团队发布名为 FireRedTTS2 的开源项目，这是一款面向多说话人对话生成的长篇流式语音合成系统，旨在为播客和聊天机器人提供稳定、自然的语音输出。

2025-09-12

小米 Kaldi 团队开源零样本语音合成模型模型 ZipVoice

近日，小米集团新一代 Kaldi 团队发布了基于 Flow Matching 架构的ZipVoice系列语音合成（TTS）模型——ZipVoice（零样本单说话人语音合成模型）与ZipVoice-Dialog

2025-09-11

开源多媒体框架 FFmpeg 集成 Whisper.cpp，增加 AI 语音转写功能

开源多媒体框架FFmpeg 在即将发布的8.0 版本中新增了 af_whisper 音频工具，可在 FFmpeg 生态系统内直接实现自动语音识别（ASR）。

2025-08-15

OpenAudio S1 语音生成模型：语调情感标记，精确控制风格

和 Realtime API，开发者可构建运行于客户端或服务器的语音智能体。

2025-06-04

Claude 更新：高级 Research 功能、深度集成 Google Workspace、语音模式即将上线

另外，根据彭博社的报道，Claude 的语音模式即将在本月上线。

2025-04-17

阿里通义实验室语音团队负责人鄢志杰离职

根据「Tech星球」的独家报道，阿里通义实验室语音团队负责人鄢志杰已于近期离职，离职时间为2月15日，按照以前的P序列（原阿里内部职级体系）比照，其职级为P10。鄢志杰是智能语音领域的技术大牛。

2025-03-14

语音模型 + LLM 重磅更新，快来体验！

可用于大语言模型（LLM），语音识别模型，多模态模型等各种模型的推理。

2025-02-05

谷歌开源的语音编解码器 Lyra V2 发布

Lyra 是谷歌去年开源的低比特率语音编解码器，与开放的 AV1 编解码器相结合，可以在 56kbps 的连接上实现语音聊天。

2022-10-08

程序员用300行代码，让外婆实现语音搜索购物

手动输入易出错，那就写个语音转文字的输入方法，只要启动录音按钮，实时语音识别输入，简单又快捷，外婆用了说直说好！。

2021-03-26

语音领域学术界和工业界的七宗罪

与计算机视觉领域相比，语音识别的预训练模型、传递学习和数据集都相对落后，而且语音识别的计算资源需求仍然过高。

2020-05-24

字幕说--自媒体人免费的文字转语音及同步字幕介绍

字幕说--自媒体人必备的在线语音合成及同步字幕生成工具做视频不想出镜？

2020-04-02

阿里云语音合成（汉语英语）带UI界面的小程序（python）（原创）

english']['voice_parameter'][txtShow[15]]) def config2help(self): tk.messagebox.showinfo("参数设置帮助", "语音合成参数设置范围

2019-06-15

牵手理想，地平线如何为理想ONE打造精准全车语音交互

双方合作围绕语音交互技术展开。地平线将为理想ONE增程式智能电动车配备“车载多音区交互技术”，支持多达4路人声分离和6路音区检测，可实现全车多路拾音、人声定位、降噪、回声消除和语音唤醒。

2019-06-10

上一章介绍了万金油特征MFCC，相当于数据的输入已经确定了。本章尽可能的介绍经典asr做法。其中涉及到的各种概念和思考，了解了之后，和相关专业的人交流，大概就不再迷茫了:D 传统方法也可以按声学模型和语言学模型的方式来划分。声学模型主要的职责是，把一段音频处理成类似拼音的形式，然后交给语言模型来猜: 能够发这些音的单词，怎么组合起来更常见一些。然后找到最可能的组合，便是asr的结果了。本章介绍的，其实是下图左侧的部分。一、术语定义介绍一个概念前，首先要把它依赖的术语说明白，其实asr领域的术语定义并不复杂，反而非常符合直观感觉。换句话说，定义基本是一眼就明白意思并且觉得没有毛病的样子。上图右侧是传统模型的大致处理流程。里面用到的术语基本都在左侧介绍了。架构解释了整体的处理逻辑：已知一句话中的一系列单词W ，在MFCC发

2019-05-29

语音识别（ASR）基础介绍第四篇——当今流行做法与CTC

本篇开始，就进入到了asr当前的流行做法。这里单独提到了CTC算法。这个算法对当前asr使用deep learning的方法有重大影响。总体感觉，写到本篇，工作量反而变得很小。因为进入deep learning时代后，神经网络模型基本都是那么几种，已经不再需要挨个详细介绍。而且看图就能理解的很明白。所以本篇后半部分基本就是贴图了。。:D 一、CTC 在CTC之前，训练语料要配合上一篇中提到的方法，需要人工把音频中每个时间段对应的是哪个音素的信息标注清楚。这个工作量和对人及金钱的需求是巨大的。基本都是百万级别手笔。有个CTC之后，给定一个音频，就只要告诉这个音频说的是什么文本就好了。省掉了对齐的那一步。由此，其重要性可自行判断。关于CTC，感觉与其这里坑坑洼洼的介绍，不如直接参考这篇知乎的文章——https://z

2019-05-29

Python用ctypes调用动态库的方式使用科大讯飞语音识别

科大讯飞的语音识别客户端SDK提供了Linux下的C语言SDK，却没有Python的。有了ctypes，我们就可以很轻松的用Python来使用科大讯飞的语音识别了。

2019-05-07

阿里语音情感识别框架揭秘

基于语音的情感识别尤其具有现实意义，因为基于语音的人机交互界面具有相对较低的硬件要求。但是，在现实中，周围环境中存在着许多噪声，这些噪声将会降低系统的识别性能。

2019-02-19

【Recorder.js+百度语音识别】全栈方案技术细节

项目中需要利用百度语音接口在Web端实现语音识别功能，采用了这样的技术方案，但实现时遇到了很多问题，发现网上大部分文章都只是在详解官方提供的example示例，对实际开发没有提供什么有价值的建议，而recorder.js

2018-08-31

资源下载

更多资源

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。