Leo Xiang

统计数据

69

文章

0

粉丝

0

获赞

195

阅读

1个月前

腾讯的EdgeOne + AI建站给大家送福利了🔥🔥 腾讯 Kepler Plan S3 全球高校开发者大赛正式启动 🔥 AI 正在重新定义前端开发。Kepler Plan 开发者大赛本季内容聚焦【AI+建站】，诚邀高校学生免费报名参赛，运用腾讯EdgeOne Pages + AI 工具智能开发、部署下一代网站。丰厚奖励： 💼 腾讯招聘：为优胜队伍成员提供腾讯内推机会 🖥 开发者资源：最高可享受12个月免费腾讯云EdgeOne标准版套餐（价值$7080) 🏆 官网展示：获奖项目将作为官方网站模板在腾讯官网上展示 📈 履历添彩：提交网站项目，完赛即可获得官方证书赛程安排： - 报名启动：7月4日 - 项目提交DDL：8月4日 12am（美东时间） - 决赛名单公布：8月7日 - 奖项公布：8月下旬 🚀报名地址：

1个月前

11labs的专业的音频clone (需要30分钟训练) 收费依旧是很贵，目前看这块没有太多竞品，大家还是在卷zero shot 声音clone。

1个月前

现在clone一个产品实现的门槛太低了。构建自己产品的时候要好好想想如何构建自己持续的竞争力。

#AI掘金：知识付费新机，流量为王时代· 133 条信息

1个月前

音频端到端模型一个残酷的现实。

1个月前

应该给Gemini CLI 增加一个语音输入，这个就是真的PC端的语音助手了。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 382 条信息

#Gemini CLI #语音输入 #PC端 #语音助手 #建议

2个月前

Gemini-cli 的介绍是： An open-source AI agent。不只是一个编程工具。

2个月前

不知道有没有硬件可以接管手机的音频，能接管手机音频的输入和播放，并能支持编程对音频进行处理。如果有这样的硬件和解决方案可以联系我。

2个月前

OpenAI 引入了Webhooks，Agent相关的交互越来越复杂，可能最终的方式还是SDK + 长连接。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 382 条信息

#OpenAI #Webhooks #agent #SDK #长连接

2个月前

端到端音频模型和三段式(asr/llm/tts) 语音技术栈本质的区别是：端到端方案本身有更完备的上下文。如果提供更多的上下文给到asr 和 tts，理论上可以做到更好，上限更高以及更灵活。

2个月前

不知道国内有没有类似Groq类似的产品，需要LLM的首Token降至100ms以内voice agent 的体验才能普遍提升上去。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 382 条信息

#Groq #LLM #首Token #Voice Agent #体验提升

2个月前

在voice agent场景下为了响应快，会先用一个小模型做一下承接语(返回一些语气词或者附和语)，然后再等待大模型真正的返回。这个时候有个痛点是：TTS在合成单字或者短句的时候往往效果不好，比较好的一个策略就是TTS也能支持流式的输入。

2个月前

Gemini 2.5 Pro 多模态确实遥遥领先，扔一个跟AI对话的视频让大模型分析延迟，直接给出结果。而且跟人打标签给出的结果类似。

Google Gemini 2.5发布引发AI模型性价比热议· 138 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 382 条信息

2个月前

我这边的团队长期招音频算法方向的伙伴，主要为对话式TTS方向。重点突破的方向有三个： 1、延迟，推理延迟足够低(150ms内)； 2、音色创作成本尽可能低； 3、拟人 & 口语化。工作地点为北京和深圳，想探索对话式TTS方向的欢迎骚扰我。

#音频算法 #对话式TTS #低延迟 #音色创作 #拟人化 #招聘 #北京 #深圳

2个月前

有个非常大的痛点：我一般会把我的代码目录放到 icloud 中同步，自从搞了python 和 node的项目之后 icloud的容量就很不够用了。icloud不知道有没有办法单独过滤 python和node的依赖项。

#Python项目 #Node项目 #iCloud #存储容量 #依赖项管理

2个月前

网络延迟已经超过推理延迟，对于在构造realtime agent的公司来说要及早构建自己asr/llm/tts的闭环，只有在需要强推理的情况下才调用外部大模型。

#网络延迟 #实时代理 #ASR #LLM #TTS #闭环 #推理延迟 #大模型

2个月前

想清楚 OpenAI Realtime API 以及 Gemini Live API是什么了： Realtime API = ASR + TTS + 意图识别小模型。更多的是作为语音交互Agent的接入层。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 382 条信息

#OpenAI #Realtime API #Gemini Live API #ASR #TTS #语音交互 #意图识别 #AI

2个月前

关于多Agent 以及单Agent之争，大家都是站在自己的角度来描述观点： Anthropic：从大模型角度来说要建立一个多Agent系统的生态，每个Agent做好自己的事情，多Agent才是未来。 Cognition(Devin)：是在做一个具体的Agent，会从如何更好的完成任务，如何更稳定入手，更关注单个Agent的效率。

#多智能体之争：Anthropic生态VS单智能体· 20 条信息

#多Agent #单Agent #大模型 #Agent系统生态 #任务效率

2个月前

今年音频多模态方向的研发抢人薪资给的非常疯狂。这个是一个大热的方向。

#音频多模态 #研发抢人 #薪资

2个月前

抛个问题： low code的agent平台，大家有在生产环境中用起来的么？

#低代码 #平台 #生产环境

2个月前

过了一遍openai 的 agent sdk，设计的非常简洁清晰，喜欢这种轻量的设计。

#OpenAI #Agent SDK #设计 #简洁 #轻量

3个月前

Gemini Live API 这次模型更新有两个特别好的能力： 1、Proactive Audio（主动音频响应）模型会根据上下文主动判断是否有必要作出回应，以及打断。 2、Asynchronous Function Calling（异步函数调用）允许模型在函数执行期间继续与用户对话。这两个都非常实用。

#Gemini #API #模型更新 #Proactive Audio #主动音频响应 #Asynchronous Function Calling #异步函数调用

3个月前

不知道有没有基于webscoekt 的agent 互通协议，基于http的agent协议完全不考虑实时场景。基于http的agent 协议在实时场景有很大问题，http 这种调来调去一是延迟大，二是还得搞webhook，交互一点没简单。

#WebSocket #agent互通协议 #http协议 #实时通信 #webhook #延迟问题

3个月前

太忧伤了，还是继续用ChatGPT吧。

#ChatGPT #继续使用 #不放弃 #用户体验 #选择 #忧伤

3个月前

Google 在多模态方向真是碾压的存在。

#Google #多模态方向 #技术创新

3个月前

Gemini 放出来了一次性合成多个人的对话的TTS，复现NotebookLM 的多人播客效果的门槛也没了。

#Gemini #TTS #NotebookLM #多人播客 #合成对话