#语音交互

avatar
sitin
1周前
Google 宣布正在将Gemini 深度整合进 Google Maps，为导航、地标识别、语音交互与视觉探索带来全新体验。 感觉 Google 这波是把 Maps 升级成「懂你的 AI 副驾驶」了 🚗 Gemini 深度接入 Google Maps，几个我觉得很爽的点： 直接语音聊：一路问吃的、找充电桩、报路况、顺手让它帮你加日历，都用说的就行 地标导航：不再是“500 米右转”，而是“在某某餐厅后右转”，对路痴和新地方超友好 主动交通提醒：即使没开导航，也会提示前方封路、堵车、事故之类 Lens + Gemini：到地方后，掏出手机对着店/建筑一拍，就能问「这是哪？好吃吗？有什么推荐？」 简单说： 以前地图只负责「告诉你怎么走」， 现在 Gemini + Maps 更像一个懂路况、懂你需求、还能帮你做决定的副驾。
Google Gemini 2.5发布引发AI模型性价比热议· 280 条信息
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 654 条信息
#Google Maps #Gemini #AI副驾驶 #语音交互 #地标导航
avatar
Y11
1个月前
过去七个月，AI领域的变化像潮水般涌来，有些我们已经能感受到，有些还在酝酿。先说说那些让我们能更轻松对话的工具，像N8N这样能自动生成节点的智能助手，已经悄悄出现在我们身边了。它就像一个贴心的小管家，能帮我们处理对话中的各种细节，让交流变得更顺畅。 再看视频创作，现在AI做视频的工具多到数不清，就像天上的星星一样。而且它们不再是千篇一律的，开始有了自己的专长，有的擅长做动画，有的特别会剪辑，满足不同人的需求。这就像餐厅里的厨师，有的专攻川菜，有的拿手粤菜，各有特色。 还有一个大趋势，就是把现实世界的东西变成虚拟世界的内容。现在有了3D模型和“世界模型”技术，我们拍的照片、录的视频，甚至家里的家具、街景，都能巧妙地变成游戏场景或者数字艺术，这就像给现实世界开了一扇通往虚拟世界的门。 语音交互也越来越普及了。以前我们用语音输入可能还会磕磕绊绊，现在大家已经慢慢习惯了，比如对着手机说“帮我订张票”，或者用像Wispr这样的工具和对方说话，就像打电话一样自然。这背后，是AI在语音识别和理解上的进步，让我们和机器的交流更像和人聊天。 说到机器人，虽然现在的机器人还不像电影里那样能帮我们做所有事，但资本市场对它的热情却很高，不少相关公司的股票都涨得不错。这就像人们对未来科技的期待，虽然现实还有距离，但想象空间很大。 AI资产的数字登记虽然还没正式开始，但相关的需求已经提出来了。就像我们买了房子要登记房产证一样，以后AI生成的图片、音乐、代码这些数字创作，也需要有专门的“身份证”，这才能更好地保护创作者的权益。 最近MCP（一种AI应用框架）特别火，谷歌的AP2（另一个AI项目）也发布了，就像行业里突然出现了新的“操作系统”，能让开发者更方便地搭积木、建模型，大大降低了AI开发的门槛。 还有一个现象，就是“一人公司”越来越多。像Base44这样的平台，让一个人就能快速组建小团队，完成项目。这就像现在流行的“斜杠青年”，一个人既能写代码，又能做设计，还能搞运营，灵活又高效。 虽然大公司还在裁员，但有一个方向特别缺人，就是懂AI的人才。不管是互联网大厂还是创业公司，都在抢这方面的人才，就像我们现在抢“网红”一样，谁有真本事谁就能被重用。 最后说说学习领域，成人教育里那些特别细分的“微专业”还没完全火起来，但是“氛围编程”相关的课程却越来越多。“氛围编程”听起来有点抽象，其实就是让编程变得更轻松、更符合人的情绪和工作环境，就像现在流行的“沉浸式办公”，让学习和工作都更有感觉。 总的来说，过去七个月，AI技术就像在搭积木，一个个新的工具、新的应用、新的需求冒出来，有的已经落地，有的还在成长。虽然里面有很多不确定性，但大方向很明确，就是让AI更懂我们，更融入我们的生活和工作。这就像我们在爬山，虽然路还很长，但每一步都能看到新的风景。
#AI #人工智能 #n8n #视频创作 #3D模型 #语音交互 #机器人 #数字登记
avatar
用户视角下，电脑有三要素：显示器、鼠标、键盘。 iPhone 干掉了鼠标，隐藏了键盘，放大了显示器，成为了 Super Hardware. Wispr Flow 借助 AI 终于干掉了键盘。只需 Voice 就能自然交互的某个应用，会有大机会成为 AI 时代的 Super App. 只需 Voice，不需要鼠标、键盘、显示屏，同时又能完成绝大部分需求的某个硬件，大概率就是新一代 iPhone，长得将会完全不像 iPhone. 不光下一代抖音已经在路上，下一代 iPhone 也可能已经在路上。
#iPhone #AI #语音交互 #未来硬件 #Super App
avatar
用户视角，电脑有三要素：显示器、鼠标、键盘。 iPhone 干掉了鼠标，隐藏了键盘，放大了显示器，成为了 Super Hardware. Wispr Flow 借助 AI 终于干掉了键盘。某个只需 Voice 就能自然交互的应用，有大机会成为 AI 时代的 Super App. 某个只需 Voice，不需要鼠标、键盘、显示屏，同时又能完成绝大部分需求的硬件，大概率就是新一代 iPhone，长得将会完全不像 iPhone. 不光下一代抖音已经在路上，下一代 iPhone 也可能已经在路上。
苹果Liquid Glass：开发者适配陷两难，AI助力AR或成未来· 97 条信息
#iPhone #AI #语音交互 #未来硬件 #Super App
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· 654 条信息
#OpenAI #Realtime API #Gemini Live API #ASR #TTS #语音交互 #意图识别 #AI
avatar
GitHubDaily
5个月前
在 GitHub 上发现一个 100% 本地替代 Manus AI 的开源解决方案：AgenticSeek。 基于本地推理模型和智能代理系统，能够自主浏览网页、编写代码、规划任务，还支持语音交互，就像钢铁侠电影里的 Jarvis（贾维斯）一样酷炫。 GitHub： 主要功能： - 完全本地化运行，所有数据保留在设备上零云端依赖 - 智能网页浏览，可自动搜索信息和填写表单 - 自主编程助手，支持 Python、C、Go、Java 等多种语言 - 智能代理选择系统，自动匹配最适合的任务处理方式 - 语音交互功能，支持语音输入和文本转语音输出 - 复杂任务规划执行，能将大型任务分解为步骤完成 提供详细的安装配置教程，建议至少使用 DeepSeek 14B 以上参数的模型，对电脑性能配置有一定要求。
#GitHub #开源 #AI技术 #AgenticSeek #本地化 #智能代理 #语音交互 #自主编程 #网页浏览 #安全隐私 #开源项目
avatar
小互
5个月前
Google 展示 Android XR 智能眼镜原型机 长时间记忆、实时语音交互、根据用户行为自动提供帮助 Android XR 智能眼镜功能： 上下文理解：通过摄像头和麦克风获取用户视角，结合地理位置信息理解当前场景和任务。 语音交互：随时启动语音助手，无需手动唤醒、无需使用手机。 实时辅助：根据用户行为自动推荐动作，如导航、查资料、拍照、翻译等。 记忆与个性化：具备长时间任务记忆功能，理解用户偏好、事务上下文。 与 Gemini 整合，实现真正的视觉助手
#Google #Android #XR #智能眼镜 #语音交互 #实时辅助
avatar
智能家电语音交互技术通用要求国家标准发布
从结构设计、安全性、功能性、标注标识等方面提出技术要求。
#智能家电 #语音交互 #国家标准
avatar
以后家电这样“听话”！智能家电语音交互国家标准发布
#智能家电 #语音交互 #国家标准发布
avatar
小互
9个月前
兄弟们，这个强啊，效果真的挺棒 复旦大学OpenMOSS人工智能开放实验室 推出首个端到端实时语音交互模型 中文语音能力感觉和GPT 4o 的高级语音很接近 - 低于 200 毫秒，支持语音打断和自然互动 - 可根据指令生成多情感、多风格的语音，包括模仿特定角色的情绪。 - 丰富的情感控制：支持生成多种情感语音，如欢快、严肃、悲伤等。 语音风格多样化：可以模拟不同的角色语调、情绪和语气。支持生成说唱、戏剧化台词、机器人声效、低语耳语、方言等风格
#复旦大学 #OpenMOSS #人工智能 #语音交互 #实时语音 #情感控制 #语音风格 #GPT-4 #中文语音