#语音识别

avatar
字节给苹果笔记本 MacOS，开放内测的豆包输入法，太厉害了。安装后，只需要在输入栏，双击 Option 键，就能呼出语音识别。 需要补充的是，这条推文也是我用嘴说出来的。 等同于，我可以带着电脑，线下去录制语音转文字。 推上有不少人贴了获取方式。
#字节跳动 #苹果笔记本 #豆包输入法 #语音识别 #电脑应用
avatar
Gorden Sun
5天前
Cohere开源语音识别模型Transcribe 2B参数，本地能跑，可能是目前的开源最佳，但是不确定中文识别的效果如何。 模型：
#Cohere #语音识别 #Transcribe #开源模型 #中文识别
avatar
Koe v1.0.7 发布了！这个版本加入了实时语音识别文字预览，说话的时候可以直接在屏幕底部看到识别内容。同时新增了设置引导，对于普通用户不用再手动编辑 YAML 配置文件了。
#Koe #语音识别 #实时预览 #软件更新
avatar
我不太明白为什么字节的语音识别(STT)可以做到价格最低，但是文字转语音(TTS)却是大厂中价格最高的。 难道是因为方言采风和合成的前期成本比较高？ 图中价格均为今日询价计算得出，不保证时效性和正确性。 阿里价格仅为参考，不太适合一般开发者使用。
#字节跳动 #语音识别 #文字转语音 #价格 #语音技术 #方言采风
avatar
Terminal 下, 需要支持按住 SPC 语音识别, 从 xfce4 升级到了 plasma, 整个过程让 Claude Code 帮我搞, 所有配置基本全部无缝迁移. 我都不敢去想, 之前这 20 年, 自己用 linux 都是过的什么样的日子....
#终端 #语音识别 #xfce4 #Plasma #Claude Code #Linux
avatar
冷知识： 腾讯最早在腾讯云的 中英文混合识别接口（16k_zh_en）中支持 “潮汕话” 的语音识别转文字； 但在中文方言识别接口（16k_zh_large) 至今未能支持潮汕话 ….而微信输入法 和 微信 的语音输入，同样还没有支持….
#腾讯 #潮汕话 #语音识别 #腾讯云 #微信输入法
avatar
Typeless 这个语音输入法太好用了！ 全程用语音输入，整个编辑过程不需要动到一次键盘，它会自动帮你： 1. 分段分行 2. 自动排版 你在讲到一些重点、要点的时候，它还会主动帮你分出 1、2、3，非常智能。
#Typeless #语音输入法 #自动排版 #语音识别 #输入法 #智能软件
avatar
卫斯理
2周前
语音转文字那家大模型做得好？
#语音转文字 #大模型 #语音识别 #语音技术
avatar
做了一个无限流式语音输入识别 todo，超好用！ 哈哈哈 一直开着录音，然后 VAD 触发识别， 一边陪娃在玩，一边 Vibe Coding（也是语音 想到啥就说啥，直接捕获我要做的事情， 而且给足上下文，帮我自动放进对应的项目， 以及基于 OKR 设定优先级和时间日期等等。 简直完美契合我在家这个场景啊！😂
#语音识别 #Todo应用 #无限流 #VAD触发 #Vibe Coding #OKR #优先级设置 #项目管理 #效率工具
avatar
Leo Xiang
4个月前
在国内访问 11labs 的 asr 延迟确实很优秀，尾包延迟只有 300ms，支持语种也很多，11labs 估计能在 asr 领域复刻他们在 tts 领域的优势。
#11Labs #ASR #语音识别 #低延迟 #多语种支持
avatar
Feiteng
4个月前
和自身经历有点像，mini版 本科数学专业没怎么学过编程 研究生也是数学老板比较牛，实验室机器从2010年就高配NV GPU，硕士两年 2012-2013 猛学 机器学习、深度学习，练习 coding 实习offer mentor考完、老板还能面SVD分解，mentor和老板二人拒了他们上交学弟把位置给了我，接触开源项目 kaldi、把CNN成功运用到语音识别系统上，词错率降低10%，这段经历+复现 Hinton Dropout 论文写就硕士毕业论文 好多年后一公司产品经理离职时来跟我说：你知道知网上你硕士论文引用很高吗？ 真没看过 14 年毕业，进入一家做智能音箱的公司，也有百万用户的APP，比Amazon Echo推出时间都早，无奈技术团队太菜，一套 ASR, CTO和技术骨干搞了两年也没搞出来，技术路线落后且错误；我拿kaldi 一两周就训练出能用模型，试图扭转技术路线没有成功，最后他们妥协说，我能用 java 实现一套 ASR 识别系统就采用我的方案；随后一个月学习java 用 java 写了一套 ASR 运行时，也摸透了 kaldi decoding DNN + WFST 这一套原理； 没有掰正技术路线的时候，就下定决心离开了，当时就一个想法：得去人才密度高的地方。 后面就聊了一家公司直接加入了，合伙人都是学历履历比较优秀的，电话面试官有一位是 Google 总部语音科学家背景，深入聊了 WFST，ASR 解码原理等，这是碰到行家了；约了 on site，CTO 还考八股面试题，没刷过题只给出了思路，CEO 聊的就比较宏大了； 进入后，先做了个裁剪神经网络的活；合伙人给了一个任务，提高公司核心算法的准确率，为此他们在过去一年准备了十几个benchmark，知乎还有一个热帖讨论猜测这个核心算法；最后否定了一位资深同事和合伙人的方案，提出了自己的方案，一个人执行落地上线推给千万用户，在十几个benchmark上准确率提高到了 95%，优化神经网络计算速度40倍实现在手机端离线计算，就是玩半小时就发烫；17年交接手上语音评测、语音识别工作，新开语音合成技术方向，18-20年合成水平显著高于市场商业API，公司开all hands 就会拿来一波图灵测试；公司每年hackathon必拿奖；三年后公司纽交所上市； 这些年错过的机会： 16 年看过 比特币 18年被邀请去字节组建团队，当时公司很快上市，没去 21年底看机会 MiniMax CEO CTO 约着飞来上海当面聊，过了个春节 23年初写了个开源项目 valle，后来跟大学生们面基，他们说 这是他们的语音生成大模型入门代码，有些已是头部厂商核心研发力量；minimax 同学也说无它就增加了训练数据；这个项目带来过百万收入
#数学转行 #语音识别 #深度学习 #kaldi #技术突破 #职场发展 #AI #成功案例
avatar
Baye
4个月前
慢慢的我也喜欢语音输入了，打字太慢了。准备把 OpenCat 和 Miley 里的语音识别提取出来一个作为系统级的服务。
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#语音输入 #OpenCat #Miley #语音识别 #系统级服务
avatar
阶跃刚刚发布了一个开源的端到端的音频模型(输入是音频，输出也是音频，可以实现对话)。 帮大家整理了下模型性能。目前来看跟GPT-4o打得有来有回, 其中翻译和ASR(自动语音识别)性能是领先的，对话能力差一点，稍后为大家带来评测！ 模型地址：
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#开源 #音频模型 #Step #GPT-4o #语音识别
avatar
dontbesilent
8个月前
微信这个语音识别的按钮救了我的命 应该是把微信输入法的语音识别集成过来了 iOS 系统听写太难用了，又不像安卓可以随意使用第三方输入法听写 现在移动端输出效率大幅提升
#微信 #语音识别 #输入法 #iOS #移动端
avatar
Shaolei Zhang
9个月前
👏🏻Stream-Omni：一个类GPT-4o的文本-视觉-语音多模态大模型 （1）同时支持文本、视觉、语音输入，生成文本和语音回复。 （2）语音交互过程中，同步生成中间的语音识别、文本回复结果，提供更加全面的多模态交互体验！ 📝论文： 🔗代码&Demo：
#多模态大模型 #GPT-4 #文本-视觉-语音统一 #AI交互 #语音识别 #中间生成
avatar
ding.one
9个月前
很多人都慢慢发现用语音代替打字的快捷了，不管是 vibe coding 还是和 AI 对话效率都爆棚，未来的操作系统肯定会把鼠标和键盘更加边缘化的。但目前这个赛道太卷了，我已经尝试过这么多了： Superwhisper: Willow Voice: Aqua Voice: Macwhisper: WisprFlow: Harker: VoiceInk: Spokenly: VoiceType: TalkTastic:
#语音识别 #人工智能 #操作系统 #科技趋势 #人机交互
avatar
sitin
9个月前
OpenAI高级语音功能大升级！对话像真人般自然流畅，语调有起伏、节奏更真实，还自带情绪表达，从同理心到讽刺全都拿捏。 语音翻译更是厉害，多轮对话无需重复指令，旅行、商务、学习全搞定。
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#OpenAI #语音技术 #自然语言处理 #语音识别 #情感表达 #语音翻译 #人工智能 #技术升级
avatar
小互
10个月前
借助实时分析语音节奏与停顿信号（如“um”“ah”），AI 可判断何时等待、何时回应，避免打断用户或不自然的等待，使对话更像真实人类交流。 几乎没有延迟... 详细介绍：
#AI对话 #语音识别 #人机互动
avatar
小互
10个月前
ElevenLabs 发布其对话语音助手： Conversational AI 2.0 相较于上一代有了巨大飞跃 亮点功能： 说话不尴尬了：它能听懂你什么时候停顿、什么时候在思考，不会中途打断你说话。 多语言切换很顺滑：你说中文，它说中文；你说西班牙语，它也能自动切换。 回答更“懂行”：它可以从你公司的知识库里直接找资料来回答你，不胡说。 批量打电话不求人：几百几千个客户，系统可以一次性给他们打电话发通知。 一个模型管两种互动方式：不用分开发文字和语音版本，省人力。
#elevenlabs #对话语音助手 #Conversational AI #多语言 #AI技术 #客户服务 #语音识别
avatar
小径残雪
11个月前
现在很多人用“听书”、“听帖子”来替代阅读。 但是有一个问题可能这些人里面大部分不知道：听读软件如果发现一句话里有敏感词，会把这句话略过去不读。
#听书 #听帖子 #语音识别 #敏感词过滤 #阅读替代
avatar
Gorden Sun
1年前
FireRedASR：小红书开源的语音识别模型 支持识别普通话、方言、英文，分2个版本： FireRedASR-LLM：8.3B，为端到端的语音多模态LLM设计，能力更强，中文准确率开源最佳 FireRedASR-AED：1.1B，兼具效率和效果。 Github： 模型：
#小红书 #语音识别 #开源模型 #方言识别 #英文识别 #多模态LLM #中文识别 #GitHub
avatar
宝玉
1年前
《简单有效的将音频转成各式良好对话文本的方案》
#音频转文本 #转录技术 #语音识别 #文本转换方案