#语音转文本
共 12 篇相关文章
·7 分钟
Gemini 3.5 Transcribe：谷歌智能语音转录模型全面解析
深入解析谷歌最新发布的Gemini 3.5 Transcribe语音转录模型，了解其智能转录、精准识别的核心能力，以及在会议记录、字幕生成、客服质检等场景的应用价值与竞争优势。
阅读全文 →
·14 分钟
NobodyWho开源推理引擎：本地运行大模型的多平台SDK方案
NobodyWho是基于llama.cpp的开源端侧推理引擎，支持Swift、Kotlin、Flutter、React Native、Python和Godot多平台接入，提供工具调用、多模态、语音及GPU加速能力，让大语言模型完全在本地设备运行，无需API密钥。
阅读全文 →
·8 分钟
三明治架构：企业级语音智能体的最佳落地方案
深入解析语音智能体三种主流架构（三明治、原生实时、混合），对比STT+Agent+TTS方案在智能体能力与实时性之间的权衡，帮助企业团队选择最合适的语音AI落地路径。
阅读全文 →
·10 分钟
LangChain核心特点与六大应用场景面试全解析
深度解析LangChain框架的四大核心特点（统一模型接口、模块化架构、智能体工具调用、记忆管理）与六大应用场景（RAG、Agent、对话系统等），助你在大模型开发面试中从容应答。
阅读全文 →
·11 分钟
OpenAI语音操控电脑升级，OpenJDK禁用AI生成代码
OpenAI ChatGPT桌面端引入语音操控功能，支持多步骤智能体协作；OpenJDK明确禁止AI生成代码贡献；中科曙光十万卡超集群落成；Jeff Dean创业聚焦AI科学发现。AI行业加速与治理并行的最新动态。
阅读全文 →
·7 分钟
Gemini Omni与Nano Banana模型解析：谷歌多模态AI布局
深入解析谷歌Gemini Omni全模态模型与Nano Banana轻量化模型的定位、技术特点及应用前景，探讨谷歌在多模态AI领域的高低搭配产品策略与开发者生态布局。
阅读全文 →
·17 分钟
LiveKit Agents：构建实时语音AI智能体的开源框架详解
深入解析LiveKit Agents开源框架，了解如何利用STT、LLM、TTS模块构建实时语音AI智能体。涵盖核心架构、多模型插件生态、生产部署能力及智能客服、虚拟助理等应用场景。
阅读全文 →
·8 分钟
如何测试25分钟AI语音通话？长对话质检实战指南
深入解析长时间AI语音通话的质检难题：为什么短脚本测试会失效？如何评估上下文追踪、状态管理和任务正确性？本文提供AI模拟对话、双轨评估、关键节点断言等可落地的长通话测试方法论。
阅读全文 →
·7 分钟
HuggingFace开源语音助手：本地部署全栈方案详解
深入解析HuggingFace speech-to-speech开源项目，涵盖VAD、STT、LLM、TTS四大模块的模块化架构设计，以及本地部署在数据隐私、成本控制和低延迟方面的核心优势，助力开发者构建自主可控的语音智能体。
阅读全文 →
·9 分钟
AI早报：600亿收购Cursor、GLM-5.2开源、DeepSeek首轮融资超500亿
今日AI行业重磅：Cursor被以600亿美元全股票交易收购，智谱GLM-5.2以MIT协议开源发布；DeepSeek完成首轮外部融资估值突破500亿美元；Anthropic研究显示Agent编码经济价值7个月增长27%；NVIDIA推出物理世界机器人Agent系统Empire。
阅读全文 →
·9 分钟
Gemini 3.5 Live Translate：谷歌实时翻译模型深度解析
谷歌发布Gemini 3.5 Live Translate实时翻译音频模型，支持多语言低延迟语音翻译。本文深度解析其技术亮点、应用场景及对AI翻译行业的影响。
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 →