Leo Xiang

统计数据

142
文章
0
粉丝
0
获赞
1043
阅读
avatar
Leo Xiang
4个月前
Claude code + Cursor 配合食用效果更佳。 从这个方面说Claude code 并不会对Cursor造成太多的竞争。
AI编程工具激战：Claude Code、Gemini Cli崛起· 1245 条信息
#Claude Code #Cursor #配合使用 #无竞争 #技术
avatar
Leo Xiang
4个月前
Claude code 确实工具用的很好，会规划好todo，一步一步的执行。
AI编程工具激战：Claude Code、Gemini Cli崛起· 1245 条信息
#Claude #代码工具 #规划 #执行 #积极
avatar
Leo Xiang
5个月前
Gemini-cli 的介绍是： An open-source AI agent。 不只是一个编程工具。
avatar
Leo Xiang
5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。
avatar
Leo Xiang
5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· 855 条信息
#OpenAI #Webhooks #agent #SDK #长连接
avatar
Leo Xiang
5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。
avatar
Leo Xiang
5个月前
有什么能稳定使用claude code 的方法么，claude 账号前两周刚被封了。
AI编程工具激战：Claude Code、Gemini Cli崛起· 1245 条信息
#Claude #账号被封 #寻求稳定使用方法
avatar
Leo Xiang
5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· 855 条信息
#Groq #LLM #首Token #Voice Agent #体验提升
avatar
Leo Xiang
5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。
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 855 条信息
#语音助手 #小模型 #TTS流式输入 #用户体验 #技术优化
avatar
Leo Xiang
5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· 466 条信息
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 855 条信息
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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· 855 条信息
#OpenAI #Realtime API #Gemini Live API #ASR #TTS #语音交互 #意图识别 #AI
avatar
Leo Xiang
5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· 80 条信息
#多Agent #单Agent #大模型 #Agent系统生态 #任务效率
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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
avatar
Leo Xiang
5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
avatar
Leo Xiang
6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
avatar
Leo Xiang
6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
avatar
Leo Xiang
6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
avatar
Leo Xiang
6个月前
每天通过Chatgpt 学习一个小时，很快就能初步了解一个方向：
#ChatGPT #学习 #人工智能 #自我提升
avatar
Leo Xiang
6个月前
OpenAI 在协议定义上还是有号召力，Realtime API 的规范也基本成为标准了，看到多家的端到端方案都采用了Realtime API标准，或者是修改版的Realtime API 标准。
#OpenAI #协议定义 #Realtime API #标准化 #端到端方案