#语音识别
共 105 篇相关文章
教程攻略·10 分钟
MCP协议入门：让AI大模型控制ESP32硬件的实战指南
详解MCP协议（模型上下文协议）的核心概念、函数定义方法及实战应用。通过ESP32+Mixly图形化编程平台，演示如何用MCP让AI大模型理解语义并控制灯光等硬件设备，附完整参数配置说明。
阅读全文 →
产品体验·9 分钟
Step Audio 2.5深度评测：对比GPT Realtime 2，国产语音AI差距多大？
实测阶跃星辰Step Audio 2.5与OpenAI GPT Realtime 2的语音对话能力，从推理能力、角色扮演、中文理解、API定价等维度全面对比，帮助开发者选择合适的实时语音AI方案。
阅读全文 →
产品体验·10 分钟
Razer Blade 18评测：Ultra 9 290HX Plus加持，涨价500美元值不值
2025新款Razer Blade 18搭载Intel Core Ultra 9 290HX Plus与RTX 5070 Ti/5090显卡，起售价涨至3999美元。深度解析处理器升级、Blackwell架构显卡表现、涨价原因及高端游戏本市场趋势。
阅读全文 →
教程攻略·8 分钟
NVIDIA Nemotron Labs开源贡献指南：开发者参与AI开源项目全攻略
详解NVIDIA Nemotron Labs开源贡献路径，涵盖NeMo框架、Nemotron模型的代码贡献、文档完善、社区参与等方式，帮助开发者快速融入NVIDIA AI开源生态，提升技术能力与职业竞争力。
阅读全文 →
深度解读·14 分钟
Hugging Face Transformers：16万Star开源AI框架深度解析
深度解析Hugging Face Transformers开源框架，涵盖核心架构、Pipeline API、Auto Classes机制、多模态模型支持及社区生态。了解这个16万Star项目如何成为AI开发事实标准，助你快速上手预训练模型的推理与训练。
阅读全文 →
教程攻略·9 分钟
GPT-Realtime-2站会自动化：语音驱动工单管理实战指南
探索如何用GPT-Realtime-2实现站会自动化，通过语音AI和Function Calling将口头汇报自动转化为Jira、Linear工单操作，涵盖技术架构、实现路径与核心挑战分析。
阅读全文 →
产品体验·8 分钟
Open WebUI：13万Star开源AI界面，部署教程与功能全解析
深度解析Open WebUI这款13.5万Star的开源AI交互界面，涵盖Ollama集成、Docker一键部署、RAG文档问答、多用户管理等核心功能，助你快速搭建本地AI助手或企业AI平台。
阅读全文 →
教程攻略·9 分钟
从零搭建AI数字人Agent：架构设计与全流程技术拆解
详解AI数字人Agent搭建全流程，涵盖Agent智能体、RAG检索增强生成、WebRTC实时通信、Docker部署四大核心技术栈，附架构设计思路与工程化实践方案，助你快速构建智能对话数字人系统。
阅读全文 →
科技前沿·6 分钟
Android 17正式发布：九大新功能详解，AI与实用性如何兼得？
Google正式发布Android 17，带来AI语音输入、vibe-coded小组件、Emoji改版、屏幕时间管理等九大新功能。本文详细解析Android 17在AI能力与日常实用性之间的平衡策略，以及对开发者和用户的实际影响。
阅读全文 →
科技前沿·6 分钟
Mira Murati新公司Thinking Machines：交互模型将如何改变人机协作
前OpenAI CTO Mira Murati创办Thinking Machines，正式公布核心方向——交互模型（Interaction Models）。本文解析交互模型与传统AI交互的本质区别、多模态深度融合的技术路线，以及这一新范式对人机协作的深远影响。
阅读全文 →
产品体验·10 分钟
PyGPT：开源桌面AI助手，一站式集成GPT/Claude/Ollama等多模型
深度解析PyGPT开源桌面AI助手，支持GPT-4、Claude、Gemini、Ollama本地模型等多模型集成，内置RAG知识管理、智能体、语音交互、图像生成等功能，适用于开发者、内容创作者和企业用户。
阅读全文 →
教程攻略·7 分钟
Pixelle-Video开源教程：AI全自动短视频引擎14K Star深度解析
深度解析GitHub热门开源项目Pixelle-Video，一款AI全自动短视频生成引擎，已获14000+ Star。详解其全流程自动化能力、技术架构、应用场景及上手指南，助你快速掌握AI视频制作新工具。
阅读全文 →
产品体验·8 分钟
百聆：开源语音助手800ms低延迟，媲美GPT-4o对话体验
百聆（bailing）是一款基于ASR+LLM+TTS架构的开源语音助手，集成DeepSeek R1大模型，端到端延迟仅800ms，支持打断对话，可在Mac等低配设备流畅运行，助你打造私有化个人AI语音助手。
阅读全文 →
深度解读·5 分钟
视频转文字开源工具：字幕提取+Gemini AI听写双模式方案
介绍开源项目claude-skill-video-transcribe，支持YouTube、B站和本地视频转文字。采用优先提取字幕、无字幕时Gemini 2.5 Flash AI听写的双路策略，Python开发，高效实现视频内容转录。
阅读全文 →
产品体验·7 分钟
CowAgent开源项目深度解析：44000星标的超级AI助理怎么样？
深度解析GitHub近44000星标的CowAgent开源项目，涵盖主动任务规划、多平台接入、多模型支持等核心能力，了解这款基于大模型的超级AI助理如何打造个人助手与企业数字员工。
阅读全文 →
产品体验·8 分钟
Speak2Prompt：语音转AI提示词开源工具，打破编程语言壁垒
Speak2Prompt是一款开源工具，可将越南语语音实时转换为结构化英文AI提示词，适用于Claude、Cursor等编程助手。本文解析其设计理念、技术架构及对中文开发者的启发。
阅读全文 →
产品体验·8 分钟
CowAgent开源项目深度解析：44000 Star的AI Agent框架
深度解析GitHub热门开源项目CowAgent（原chatgpt-on-wechat），一款基于大模型的超级AI助理框架，支持微信、企业微信、飞书等多平台接入，具备主动思考、任务规划、技能创造和长期记忆等Agent能力，适合搭建个人AI助理和企业数字员工。
阅读全文 →
产品体验·9 分钟
CowAgent开源项目深度解析：4.4万Star的超级AI助理如何搭建
深度解析GitHub 4.4万Star开源项目CowAgent（chatgpt-on-wechat），详解其Agent能力、微信/飞书/钉钉多平台接入、多模型支持等核心功能，助你快速搭建专属AI助理。
阅读全文 →
产品体验·7 分钟
CowAgent开源项目深度解析：44000 Star的超级AI助理
深度解析GitHub热门开源项目CowAgent（原chatgpt-on-wechat），涵盖Agent能力、微信/飞书多平台接入、DeepSeek等多模型支持，教你快速搭建个人AI助理或企业数字员工。
阅读全文 →
产品体验·8 分钟
CowAgent开源AI Agent深度解析：4.4万Star的超级智能助理
深度解析GitHub 4.4万Star开源项目CowAgent（原chatgpt-on-wechat），一款基于大模型的超级AI Agent。支持微信、企业微信、飞书等多平台接入，兼容DeepSeek、GPT-4o、Claude等主流模型，具备主动思考、任务规划、长期记忆等Agent能力。
阅读全文 →