相关文章
483 篇高质量内容
京东推出JoyVoice，解决多说话人语音合成难题
京东JoyVoice突破多说话人语音合成瓶颈，支持8人对话与无边界长对话，实现SOTA表现。 核心内容： 1. 当前TTS技术的痛点与局限 2. JoyVoice端到端架构的创新设计 3. 多说话人、长上下文语音合成的突破性表现
“基于多模态大模型的智能保险理赔系统”荣获上海金融创新奖
蚂蚁集团"智能保险理赔系统"荣获上海金融创新奖，用AI技术实现"秒级"理赔，彻底改变传统保险理赔模式。 核心内容： 1. 系统融合多模态大模型等三大核心技术，实现70%效率提升 2. 长三角跨省就医票据直连功能，用户理赔材料提交减少50% 3. 已累计服务超千万人次，推动保险业高质量发展
全模态大模型部署，vLLM-Omni 来了，100%开源
开源全模态框架vLLM-Omni重磅发布，性能碾压Hugging Face！ 核心内容： 1. vLLM-Omni突破性支持文本/图像/视频/音频全模态处理 2. 独家优化KV缓存与流水线并行技术实现超高吞吐量 3. 完美兼容Hugging Face生态与OpenAI API标准
Qwen-lmage-Layered：图片分层 指哪改哪
Qwen-lmage-Layered带来图像编辑新革命，通过分层技术实现精准"指哪改哪"的编辑体验。 核心内容： 1. 创新分层架构：将图片拆解为可独立编辑的RGBA图层 2. 技术突破：RGBA-VAE和VLD-MMDiT解决图层边界模糊问题 3. 应用场景：支持高保真的移动、缩放和重新着色等编辑操作
经同意的语音克隆
探索语音克隆技术的伦理边界，如何通过"语音同意验证机制"实现负责任的使用。 核心内容： 1. 语音克隆技术的现状与潜在风险/益处分析 2. "语音同意验证机制"的设计理念与实现方案 3. 将伦理原则转化为可执行系统功能的技术实践
语音交互技术：让你的 AI 助手开始说话
让AI助手开口说话，体验更自然的交互方式！从语音识别的必要性到TTS技术实现，带你掌握AI语音交互的核心能力。 核心内容： 1. AI助手语音交互的价值与多场景应用 2. TTS技术三大核心环节详解 3. 微软认知服务SDK实战指南
面向业务落地的AI产品评测体系设计与平台实现
淘宝闪购技术部揭秘AI产品落地的评测体系，从数字人到智能搜索，四大场景全覆盖。 核心内容： 1. AI产品落地的四大应用场景与价值 2. 评测体系面临的三大核心挑战 3. 分层测试与金标数据回放的解决方案
声画俱全，一镜入戏 | Seedance 1.5 pro 音视频创作模型正式发布
Seedance 1.5 pro 突破音视频创作边界，实现声画同步与专业级叙事，为影视、戏曲等艺术创作带来全新可能。 核心内容： 1. 音视频联合生成技术突破，支持多语言与方言口音 2. 电影级运镜控制与动态张力提升视觉冲击力 3. 增强语义理解与叙事协调性，助力专业内容创作
OpenAI 发布 GPT Image 1.5：全面升级
OpenAI GPT Image 1.5震撼升级：精准编辑不崩图，速度提升4倍，价格直降20%！ 核心内容： 1. 精准编辑功能突破：局部修改不影响整体构图 2. 五大实测案例展示多风格混合编辑能力 3. 新增预设模板与显著提升的指令遵循表现
AI导演来了！UniVA：你的全能视频创作智能体
AI导演UniVA横空出世，一站式解决视频创作所有需求，让你像导演一样轻松掌控全流程！ 核心内容： 1. UniVA智能体的代理式创作模式，理解用户意图并主动建议 2. 独创的计划-执行双智能体架构，实现复杂视频任务分解执行 3. 支持从短视频到长电影的全能视频生产，突破传统工具限制
万字拆解UI-TARS 2.0，看懂豆包手机背后的核心技术
豆包AI手机背后的UI-TARS 2.0技术报告深度解析，揭秘跨应用智能操作的核心突破。 核心内容： 1. 通用GUI智能体面临的四大核心挑战 2. 数据、算法、环境与工程四位一体的全栈解决方案 3. 下一代GUI智能体的技术演进方向与设计哲学
秒杀传统 TTS？！Gemini 原生中文 TTS 体验 + 提示词模板
Gemini TTS 2.5 突破传统语音合成界限，用AI完美演绎从童话到悬疑的多维情感表达。 核心内容： 1. 儿童故事、悬疑独白等不同风格的音频效果实测 2. Gemini TTS 2.5 在音质、情感控制和风格切换上的技术突破 3. 实用提示词模板与创作技巧分享
别被“多模态”骗了：用一本200页的教材，我测出了GPT-5.2和Gemini的物种代差
揭秘多模态AI的真实差距：GPT-5.2还在用OCR拼凑答案，Gemini 3 Pro已实现原生视觉理解。 核心内容： 1. 极端测试场景：200页扫描教材+200道题的严苛多模态挑战 2. GPT-5.2的"胶水式"解决方案：耗时低效的OCR转文字流程 3. Gemini 3 Pro的原生优势：直接视觉理解，1分钟完成全部题目
Qwen3-Omni新升级:声形意合，令出智随！
Qwen3-Omni全新升级，实现全模态AI交互的"声形意合"，带来前所未有的自然体验！ 核心内容： 1. 音视频交互与系统提示控制能力的重大突破 2. 多语言支持与语音生成质量的显著提升 3. 各项性能指标的全面跃升与未来技术路线
首发实测智谱 GLM-TTS：3秒克隆我的声音，连「哎等等这bug怎么回事」都学会了
GLM-TTS 3秒克隆你的声音，连语气词和情绪转折都能完美复刻，AI语音合成进入新纪元！ 核心内容： 1. GLM-TTS 语音克隆效果实测：连「哎等等这bug怎么回事」的语气转折都能完美还原 2. 技术亮点：10万小时训练数据实现高效预训练，情感表达超越主流竞品 3. 应用场景：从中文日常对话到英文演讲，展现强大的语音合成能力
硅基流动上线智谱视觉模型 GLM-4.6V
智谱视觉模型 GLM-4.6V 突破性实现"所见即所动"，直接打通视觉理解与执行闭环，让AI真正"眼明手快"。 核心内容： 1. 原生多模态架构革新：图像直接作为参数输入，消除传统视觉模型的信息损耗 2. 三大核心应用场景：复杂文档解析、视觉化代码编辑、智能图文内容生成 3. 商业化落地优势：API成本降低50%，支持128K长上下文，入驻硅基流动AI云平台
GLM-TTS技术报告：基于多奖励强化学习的可控发音语音合成
GLM-TTS突破语音合成技术边界，仅需3秒即可精准复刻音色，实现方言与情感的自由切换。 核心内容： 1. 两阶段生成架构：文本语义建模与声学波形重建的协同创新 2. 多奖励强化学习：融合发音准确度/情感相似度/笑声副语言的多维优化 3. 低成本音色定制：15%参数微调即可达到全参数调优效果的LoRA技术
Qwen3-TTS全面升级：声情并茂，语通八方
Qwen3-TTS带来49种生动音色与10大语言支持，让语音合成更富情感与地域特色。 核心内容： 1. 多音色选择：覆盖不同性别、年龄与角色设定 2. 多语种方言：支持10种主流语言及8种中国方言 3. 拟人化升级：自适应语速与韵律逼近真人表现
Ming-Flash-Omni 音视图文全模态技术报告解读 —— 一为全，全为一
Ming-Flash-Omni突破多模态AI界限，以统一架构实现视觉、语音、文本的全能理解与生成，效率与性能双领先。 核心内容： 1. 基于稀疏MoE架构的统一多模态设计 2. 在语音识别、图像生成等任务刷新多项SOTA 3. 百亿参数规模下仅激活6.1B参数的高效推理
阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！
阿里通义团队最新推出的Qwen3-TTS，以49种角色化音色+9种方言支持，重新定义了文本转语音的标准。 核心内容： 1. 49种高保真角色化音色，覆盖各类内容创作场景 2. 支持10种语言+9种方言，语音自然度行业领先 3. 智能韵律调节系统，实现拟人化语音表达