#语音转文字
共 108 篇相关文章
科技前沿
每日AI新鲜事·07月21日早间版：语音工具扎堆与MoE效率之争
·1 分钟
每日AI新鲜事·07月21日早间版：语音工具扎堆与MoE效率之争
2026年07月21日早间版 AI新闻速递+热点深度讨论
阅读全文 →
科技前沿
GitHub趋势·07月20日：AI Agent基础设施集中爆发
·1 分钟
GitHub趋势·07月20日：AI Agent基础设施集中爆发
今日GitHub新上榜10个项目深度解读
阅读全文 →
·7 分钟
AI大模型入门全解析：原理、优劣势与测试应用指南
一文读懂AI大模型：从人工智能技术谱系、大语言模型（LLM）概念，到Transformer概率原理，再到测试人员如何落地应用。无需专业背景，会打字就能上手。
阅读全文 →
·8 分钟
GPT-Live实测：语音终于接入GPT-5.5，全双工交互体验如何？
OpenAI全新GPT-Live实测：语音对话接入GPT-5.5 Thinking，全双工架构让交互更自然，支持实时搜索、视觉卡片与工具调用。本文详解功能亮点、实战演示与现存限制。
阅读全文 →
·9 分钟
ChatGPT全新语音模式：全双工对话+实时推理与翻译详解
OpenAI发布GPT Live One驱动的ChatGPT语音模式，实现全双工对话、实时联网推理与无缝翻译三大突破。本文深度解析其核心能力与应用场景，带你了解AI语音交互的范式转变。
阅读全文 →
苹果SpeechAnalyzer vs Whisper：速度、准确率与隐私全…
·6 分钟
苹果SpeechAnalyzer vs Whisper：速度、准确率与隐私全面测评
苹果WWDC 2025发布SpeechAnalyzer API，主打设备端本地运行、零延迟、免费。本文深度对比SpeechAnalyzer与OpenAI Whisper在转录准确率、处理速度、隐私保护和跨平台能力上的差异，帮助开发者选出最适合自己场景的语音识别方案。
阅读全文 →
·15 分钟
Claude Code完整指南：Chat、CoWork到自动化工作流全攻略
从Claude Chat到CoWork再到Claude Code，本文系统梳理三大使用层次、Projects/Skill配置方法、MCP/CLI工具接入，以及知识视频全自动流水线等真实案例，帮你把AI变成真正能干活的数字员工。
阅读全文 →
·15 分钟
状态机语音Agent实战：Pipecat与Vapi的延迟与准确性权衡
深入剖析基于状态机的语音AI Agent架构，对比Pipecat Flows与Vapi Squad两大主流方案的优劣，探讨Agent任务交接（Handoffs）中上下文传递的挑战，帮助开发者在延迟与准确性之间找到最优平衡。
阅读全文 →
·14 分钟
GPT-5.6与Grok 4.5同日对决，旗舰AI模型密集发布周
OpenAI GPT-5.6携Sawa、Terra、Luna三款子模型上线，马斯克Grok 4.5同日开放，Anthropic、Meta、英伟达等巨头同步出招。本周AI旗舰模型密集发布，算力自主、多模态与音频统一模型三大趋势同步升温，开发者工具生态持续完善。
阅读全文 →
·8 分钟
9款AI录音笔横评：198元到899元全价位怎么选
从198元入门款到899元旗舰款，9款主流AI录音笔全面横评。涵盖降噪能力、转写准确率、续航、隐蔽性等核心维度，助你按场景精准选购：学生党、商务高管、记者采访、知识工作者各有最优解。
阅读全文 →
·5 分钟
GPT-Live-1深度解析：OpenAI如何让语音AI学会倾听而非抢话
OpenAI推出最新语音模型GPT-Live-1，核心突破在于减少打断、识别停顿、尊重对话节奏。本文深度解析GPT-Live-1的技术改进方向，以及语音AI从"能说会道"迈向"懂得倾听"的体验进化之路。
阅读全文 →
·8 分钟
7天10万行代码：个人开发者的AI辅助iOS开发实战
一位独立开发者用7天将iOS应用迭代至10万行代码并成功上线。本文拆解其核心方法论：前端交给AI提速、后端亲手掌控结构，涵盖数据建模、行为流搭建、AI智能体接入全流程，揭示AI辅助开发的正确打开方式。
阅读全文 →
·6 分钟
GPT Live全双工语音上线：告别对讲机式交互，AI对话体验全面升级
OpenAI正式发布GPT Live，采用全双工架构实现AI边听边说，支持随时打断、三档推理强度及可视化卡片。本文深度解析其语音层与推理层拆分设计、付费与免费版差异，以及首日暴露的口音、多语言等体验问题。
阅读全文 →
·9 分钟
警惕AI虚假营销：「GPT-5.6发布」是骗局吗？
B站流传的「GPT-5.6 SOAR/TERRA/LURAL系列发布」视频充斥虚构模型名、伪造基准测试和高风险第三方站点推广。本文逐条拆解其中硬伤，并教你如何识别AI热点信息陷阱，避免数据泄露与财产损失。
阅读全文 →
·9 分钟
GPT实时语音实测：方言识别、情绪表达与角色扮演全面评测
深度实测GPT实时语音功能，涵盖粤语四川话方言识别、多种情绪语气切换、复杂角色扮演场景及跨声音上下文记忆能力，客观呈现AI语音交互的真实水准与现存短板。
阅读全文 →
·12 分钟
LangChain四大更新：OpenWiki、语音智能体与子智能体编排全解析
LangChain密集发布四项核心功能：OpenWiki自动生成代码库文档、两套语音智能体教程、Harbor长时评估集成，以及deepagents可编程子智能体。本文逐一拆解每项功能的技术原理与应用场景，助力开发者快速掌握智能体全链路开发能力。
阅读全文 →
·6 分钟
WisprGemma：纯浏览器本地语音输入，数据不上云
WisprGemma 是开源的浏览器端本地语音输入工具，基于 WebGPU 与 Transformers.js，单模型完成语音识别与文本润色，声音永不离开设备。本文详解其架构设计、Chrome 扩展踩坑经历，以及对端侧 AI 应用的启示。
阅读全文 →
·8 分钟
AI Agent开发入门：从零构建智能应用的完整学习路径
AI Agent正重塑软件开发格局，市场复合增长率达42.8%。本文系统讲解Agent与传统AI的本质区别、学习门槛，以及基于LangChain框架的完整课程方案，助你抓住智能代理开发的职业红利期。
阅读全文 →
