开源项目人工智能进阶
Transformers
预训练模型工具库，覆盖文本、视觉、音频与多模态任务。
Hugging Face约 2 小时pythontransformers
按主题浏览
语音
共 14 条
开源项目人工智能入门可直接上手
[功能]：跟踪 Whisper 功能请求
此问题用于跟踪重复出现的 Whisper 请求以及相关的正在进行中的支持工作的链接（如果有）。当某个功能请求没有关联的 PR 时，如果您愿意帮忙，可以在此处认领该工作！ - 相关问题：https://github.com/vllm-project/vllm/issues/19556、https://github.com/vl…
vllm-project/vllm约 4 小时语音推理部署
AI 动态人工智能
Ringg 的 AI agent 借助 OpenAI 解决高达 65% 的客户来电
使用 GPT-5.6，Ringg 为覆盖语音、聊天、WhatsApp 和网页的多语言 agent 提供支持，成本相比 GPT-4.1 降低 90%。
OpenAI发布于 2026年9月23日
官方来源 · OpenAI News核验于 2026年10月8日
AI 动态人工智能
Gemini 3.8 文本转语音来打个招呼
官方来源未提供摘要，点开可查看原文。
Google DeepMind发布于 2026年9月23日
官方来源 · Google DeepMind Blog核验于 2026年10月10日
AI 动态人工智能
Gemini 3.5 Transcribe带来智能转录功能
现在您可以通过Gemini 3.5 Transcribe获得更智能的语音转文字转录功能。
Google DeepMind发布于 2026年8月27日
官方来源 · Google DeepMind Blog核验于 2026年9月16日
AI 动态人工智能
在 API 中使用 GPT-Live-1 打造更自然的语音体验
GPT-Live-1 将自然的全双工语音对话引入 API，具备更强的指令遵循能力、自定义语音和电话支持。
OpenAI发布于 2026年9月10日
官方来源 · OpenAI News核验于 2026年9月23日
AI 动态人工智能
Fyxer 如何打造人们信任的 AI 行政助理
Fyxer 利用 OpenAI 模型、微调、记忆和真实用户反馈，以每位用户的语气整理收件箱并起草电子邮件。
OpenAI发布于 2026年9月14日
官方来源 · OpenAI News核验于 2026年9月29日
AI 动态人工智能
借助Gemini 3.5 Live Translate实现流畅自然的语音翻译
Gemini 3.5 Live Translate为Google AI Studio、Google Translate和Google Meet带来近乎实时的自然语音翻译。
Google DeepMind发布于 2026年6月9日
官方来源 · Google DeepMind Blog核验于 2026年9月6日
AI 动态人工智能
开放 TTS 排行榜：面向多语言文本转语音与语音克隆的可扩展评估
然而，评估并未同步跟进：它仍然分散且缺乏标准化。黄金标准是人类偏好评分，例如 MOS 或 MUSHRA（关于指标的更多内容）。为此，若干基于竞技场的排行榜已成为社区有用的参考点：
Hugging Face发布于 2026年9月30日
已交叉核验 · Hugging Face Blog核验于 2026年10月10日
AI 动态人工智能
推出 Falcon ASR
阿拉伯语 WER：20.92% · 参数量：1.6B · 阿联酋阿拉伯语 WER（TII 评估）：22.73%
Hugging Face发布于 2026年10月7日
已交叉核验 · Hugging Face Blog核验于 2026年10月10日
AI 动态人工智能
开放ASR排行榜新增首个全球南方语言
基准测试决定了什么会被构建。在开放ASR排行榜上得分高的模型会被采用并持续迭代，而排行榜未衡量的能力往往得不到改进。最近排行榜上的许多工作都投入在使评估指标更加可靠上：
Hugging Face发布于 2026年8月28日
已交叉核验 · Hugging Face Blog核验于 2026年9月22日
AI 动态人工智能
衡量语音识别中的基准优化
原因之一是传统基准忽略了使语音系统在实践中的可靠性、自然性、上下文恰当性和有效性的许多条件和特性。因此，我们最近在Real World VoiceEQ、Open-ASR排行榜和远端语音ASR排行榜中引入了保留集……
Hugging Face发布于 2026年8月21日
已交叉核验 · Hugging Face Blog核验于 2026年9月9日
AI 动态人工智能
推出Real World VoiceEQ：衡量语音AI的人类质量
语音正迅速成为AI的主要界面。从客户支持和医疗保健到教育、娱乐和个人助理，语音正日益取代文本，成为人们与AI互动的方式。
Hugging Face发布于 2026年7月15日
已交叉核验 · Hugging Face Blog核验于 2026年9月2日
AI 动态人工智能
构建低延迟多语言语音代理：使用NVIDIA Magpie TTS实现开放权重与完全部署控制
当用户听到您的应用响应时，您已经花费了宝贵的毫秒来捕获音频、转录音频、运行LLM、检索上下文并生成响应。文本转语音（TTS）是最后一步——也是用户最关注的一步。如果语音生成缓慢，整个体验就会受到影响。
Hugging Face发布于 2026年8月11日
已交叉核验 · Hugging Face Blog核验于 2026年9月9日