Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

语音开发，都要学哪个技术，可以举个案例吗

Answer

语音开发需要学习以下技术：

  1. 深度学习和自然语言处理基础：
    • 机器学习、深度学习、神经网络等基础理论。
    • 自然语言处理基础，如词向量、序列模型、注意力机制等。
    • 相关课程：吴恩达的深度学习课程、斯坦福 cs224n 等。
  2. 理解 Transformer 和 BERT 等模型原理：
    • Transformer 模型架构及自注意力机制原理。
    • BERT 的预训练和微调方法。
    • 掌握相关论文，如 Attention is All You Need、BERT 论文等。
  3. 学习 LLM 模型训练和微调：
    • 大规模文本语料预处理。
    • LLM 预训练框架，如 PyTorch、TensorFlow 等。
    • 微调 LLM 模型进行特定任务迁移。
    • 相关资源：HuggingFace 课程、论文及开源仓库等。
  4. LLM 模型优化和部署：
    • 模型压缩、蒸馏、并行等优化技术。
    • 模型评估和可解释性。
    • 模型服务化、在线推理、多语言支持等。
    • 相关资源：ONNX、TVM、BentoML 等开源工具。
  5. LLM 工程实践和案例学习：
    • 结合行业场景，进行个性化的 LLM 训练。
    • 分析和优化具体 LLM 工程案例。
    • 研究 LLM 新模型、新方法的最新进展。

以下是一个语音开发的案例： 要开发一个网页，一个页面可以承载离谱生物档案的网站，每个页面都是一个离谱生物的介绍，图片，头像，文字介绍，可以跟他打字和语音对话。以及展示跟他相关的离谱事件。

  1. 项目初始化与配置：
    • 选择编程语言和技术栈：
      • 前端：React.js 或 Vue.js，适合构建动态的用户界面，有丰富的组件库支持多媒体内容展示。
      • 后端：Node.js 加上 Express.js，可使用 JavaScript 同时开发前端和后端，简化开发过程，其非阻塞 IO 特性适合处理实时通讯需求。
      • 数据库：MongoDB，适合存储文档形式的数据，如离谱生物档案和相关事件。
      • 语音处理：使用 Google Cloud Speech-to-Text 和 Text-to-Speech API 实现语音与文本的相互转换，支持语音对话。
    • 开发环境配置：
      • IDE：Visual Studio Code，免费、开源，支持大量插件，适用于前端和 Node.js 开发。
      • Node.js 和 NPM：安装 Node.js 时会一并安装 npm，用于管理项目依赖。
    • 项目结构模板：项目目录可能如下所示。

此外，为您列举一些人工智能音频初创公司：

  • adauris.ai - 将书面内容转化为引人入胜的音频，并实现无缝分发。
  • Aflorithmic - 专业音频、语音、声音和音乐的扩展服务。
  • Sonantic（被 Spotify 收购） - 提供完全表达的 AI 生成语音，带来引人入胜的逼真表演。
  • kroop AI - 利用合成媒体生成和检测，带来无限可能。
  • dubverse - 一键使您的内容多语言化，触及更多人群。
  • Resemble.ai - 生成听起来真实的 AI 声音。
  • Replica - 为游戏、电影和元宇宙提供 AI 语音演员。
  • Respeecher - 为内容创作者提供语音克隆服务。
  • amai - 超逼真的文本转语音引擎。
  • AssemblyAI - 使用单一 AI 驱动的 API 进行音频转录和理解。
  • DAISYS - 听起来像真人的新声音。
  • WellSaid - 从真实人的声音创建逼真的合成语音的文本转语音技术。
  • Deepsync - 生成听起来完全像你的音频内容。
  • coqui.ai - 为所有人提供开放的语音技术。
Content generated by AI large model, please carefully verify (powered by aily)

References

问：怎么系统学习 llm 开发？

[title]问：怎么系统学习llm开发？学习大型语言模型（LLM）的开发是一个系统性的过程，需要涵盖多个方面的知识和技能。以下是一些建议的学习路径和资源：1.掌握深度学习和自然语言处理基础-机器学习、深度学习、神经网络等基础理论-自然语言处理基础，如词向量、序列模型、注意力机制等-相关课程：吴恩达的深度学习课程、斯坦福cs224n等2.理解Transformer和BERT等模型原理- Transformer模型架构及自注意力机制原理- BERT的预训练和微调方法-掌握相关论文，如Attention is All You Need、BERT论文等3.学习LLM模型训练和微调-大规模文本语料预处理- LLM预训练框架，如PyTorch、TensorFlow等-微调LLM模型进行特定任务迁移-相关资源：HuggingFace课程、论文及开源仓库等4.LLM模型优化和部署-模型压缩、蒸馏、并行等优化技术-模型评估和可解释性-模型服务化、在线推理、多语言支持等-相关资源：ONNX、TVM、BentoML等开源工具5.LLM工程实践和案例学习-结合行业场景，进行个性化的LLM训练-分析和优化具体LLM工程案例-研究LLM新模型、新方法的最新进展6.持续跟踪前沿发展动态

齐码蓝：你（或孩子）还需要学编程吗？AI编程Master GPTs

考虑到你的项目需要网页开发、后端逻辑处理，以及可能的语音对话功能，我推荐使用以下技术栈：前端：React.js或Vue.js，因为这两个框架都非常适合构建动态的用户界面，并且有丰富的组件库支持多媒体内容的展示。后端：Node.js加上Express.js，这样可以让你使用JavaScript同时开发前端和后端，简化开发过程。Node.js的非阻塞IO特性也非常适合处理实时通讯的需求。数据库：MongoDB，因为你可能需要存储的数据（离谱生物档案和相关事件）是文档形式的，MongoDB作为一个NoSQL数据库，在存储此类灵活数据方面表现良好。语音处理：可以考虑使用Google Cloud Speech-to-Text和Text-to-Speech API来实现语音与文本的相互转换，以支持与离谱生物的语音对话。[heading4]开发环境配置[content]IDE：Visual Studio Code，它免费、开源，支持大量的插件，适用于前端和Node.js开发。Node.js和NPM：安装Node.js时，会一并安装npm（node package manager），用于管理项目中的依赖。[heading4]项目结构模板[content]你的项目目录可能如下所示：

人工智能音频初创公司列表

[title]人工智能音频初创公司列表[heading1]语音[heading2]合成（TTS）[adauris.ai](https://www.adauris.ai/)-将书面内容转化为引人入胜的音频，并实现无缝分发。[Aflorithmic](https://audiostack.ai/)-专业音频、语音、声音和音乐的扩展服务。[Sonantic](https://pr-newsroom-wp.appspot.com/2022-06-13/spotify-to-acquire-sonantic-an-ai-voice-platform/)（被Spotify收购）-提供完全表达的AI生成语音，带来引人入胜的逼真表演。[kroop AI](https://www.kroop.ai/)-利用合成媒体生成和检测，带来无限可能。[dubverse](https://dubverse.ai/)-一键使您的内容多语言化，触及更多人群。[Resemble.ai](https://www.resemble.ai/)-生成听起来真实的AI声音。[Replica](https://www.replicastudios.com/)-为游戏、电影和元宇宙提供AI语音演员。[Respeecher](https://www.respeecher.com/)-为内容创作者提供语音克隆服务。[amai](https://amai.io/)-超逼真的文本转语音引擎。[AssemblyAI](https://www.assemblyai.com/)-使用单一AI驱动的API进行音频转录和理解。[DAISYS](https://daisys.ai/)-听起来像真人的新声音。[WellSaid](https://wellsaidlabs.com/)-从真实人的声音创建逼真的合成语音的文本转语音技术。[Deepsync](https://dubpro.ai/)-生成听起来完全像你的音频内容。[coqui.ai](https://coqui.ai/)-为所有人提供开放的语音技术。

Others are asking
我是一个新手，我要学习Ai的使用入门，我不是要用去做Ai的，我应该从哪里开始入门？
对于新手学习 AI 的入门，您可以按照以下步骤进行： 1. 了解 AI 基本概念：建议阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。同时，浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅：在「」中，您将找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。您还可以通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习：AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。同时，建议您掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试：理论学习之后，实践是巩固知识的关键。尝试使用各种产品做出您的作品，在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品：与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得自己的成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。
2025-02-09
我想要学习coze等智能体 你可以给我推荐高质量的免费课程吗
以下是为您推荐的学习 Coze 智能体的高质量免费课程： 通识篇： 现有常见 AI 工具小白扫盲： AI 常见名词、缩写解释： 基础教程： 大圣：胎教级教程：万字长文带你使用 Coze 打造企业级知识库： 大聪明：保姆级教程：Coze 打工你躺平： 安仔：Coze 全方位入门剖析 免费打造自己的 AI Agent 基础教程：Coze“图像流”抢先体验： YoYo：Coze 图像流小技巧：探索视觉艺术的隐藏宝藏： 【智能体】让 Coze 智能体机器人连上微信和微信群详细配置文档： 【智能体搭建共学课】一步步教你玩转 Coze 智能体，新手 0 门槛教学特邀讲师：元子：[https://www.bilibili.com/video/BV1mXqGY1EwJ/?spm_id_from=333.999.0.0&vd_source=84aaf5d504fda49d36287bb4930a47a2)（1 小时 32 分开始）
2025-02-08
PPT制作、公文写作、企业管理方面提升需要学习那些AI工具
以下是一些有助于提升 PPT 制作、公文写作和企业管理能力的 AI 工具： 1. GPT4：可用于生成文本内容、提供创意和思路。 2. WPS AI：能辅助完成 PPT 的大纲内容、排版和动画等。 3. chatPPT：帮助制作 PPT。 此外，还有以下专门的 AI PPT 工具： 1. Gamma：在线 PPT 制作网站，可通过输入文本和想法提示快速生成幻灯片，支持嵌入多媒体格式。 2. 美图 AI PPT：通过输入简单文本描述生成专业 PPT 设计，包含丰富模板库和设计元素。 3. Mindshow：提供智能设计功能，如自动布局、图像选择和文本优化等。 4. 讯飞智文：利用科大讯飞的技术优势，提供智能文本生成、语音输入、文档格式化等功能。 另外，还有以下工具也可用于 PPT 制作： 1. 爱设计 2. 闪击 3. Process ON
2025-02-07
代码小白想要学习上手aiagent 请给我制定高效学习流程
以下是为代码小白制定的学习 AI Agent 的高效流程： 1. 基础了解 度过第一阶段，了解 AI 的基本原理和发展阶段。 2. 选择方向 鉴于您是代码小白，建议从不需要代码基础的 Coze 工作流学起。它适用所有人，只要能发现智能体的需求，就可以用工作流来实现。 3. 学习资源 可以参考《雪梅 May 的 AI 学习日记》，了解在业务运营领域如何通过 Coze 接触大量应用场景和进行 prompt 练习。 阅读安仔的文章，学习如何使用极简未来平台、腾讯云轻量应用服务器、宝塔面板和 Docker 搭建一个 AI 微信聊天机器人，了解相关技术组件的选用、配置步骤、费用和运维问题。 查看元子的分享，如“小白的 Coze 之旅”，深入了解 Coze 平台。 4. 加入社群 可以加入免费的 AI Agent 共学群，基于 WaytoAGI 社区等高质量信息源，分享时下 AI Agent 相关的玩法、经验和前沿资讯。通过微信号 Andywuwu07 或扫描二维码加微信，备注 AI 共学即可加入。 希望以上流程对您有所帮助，祝您学习顺利！
2025-02-05
我想学习ai提示词，但是我看到最新的deepseek好像不用提示词也可以写出很好的文案，那我还需要学习提示词吗
学习 AI 提示词是有必要的。提示词是给大语言模型的输入文本，用于指定模型应执行的任务和生成的输出，能“提示”模型做什么。设计高质量提示词需根据目标任务和模型能力精心设计，良好的提示词可让模型正确理解需求并给出符合预期的结果。 了解大模型的特性以及具备清晰表述自己需求和任务的能力，才能用好这个工具。 不过也有人持反对观点，认为像打字和写作一样，方法论不是关键，不断尝试和大模型交互就是最佳方法。但在与大模型交互时，用 Markdown 格式清晰表达问题有助于模型更好地理解用户意图，其具有结构清晰、格式化强调、适用性广等优点。 像 DeepSeek 这样的推理型大模型，更懂人话，不需要用户提供详细的步骤指令或特定的提示词模板，用自然语言描述真实场景和具体需求即可。还可以通过一些方式让 DeepSeek 的回答更符合需求，如让其“说人话”、激发深度思考、进行文风转换等。 总之，尽管有些模型可能不太依赖提示词，但学习提示词仍有助于您更好地与各类模型进行交互，并更有效地获得满意的结果。
2025-01-28
我想要学习nlp的知识，请告诉我该如何入门
以下是学习 NLP 入门的一些建议： 1. 理解基本概念： 明确自然语言处理（NLP）包含自然语言理解（NLU）和自然语言生成（NLG）。 了解 NLP 涉及各种技术和方法，目标是让计算机像人类一样理解和使用语言，实现人机交互自然化。 认识到 NLU 专注于让计算机理解人类语言含义，能够识别文本中的情感、意图和实体等，并转化为结构化信息。 知道 NLG 专注于让计算机生成人类可理解的语言，能根据需求和场景生成不同风格和语气的文本。 2. 学习相关课程： 可以学习如“和 Cursor AI 一起学 Python 编程”中关于 Python 基础语法与文本处理，以及利用 Python 进行自然语言处理的课程。 掌握 Python 的基本语法和结构，能够进行简单的文本数据处理。 3. 深入学习技术： 了解机器学习是人工智能的子领域，核心是让计算机通过数据学习提高性能。 明白深度学习是机器学习的子领域，尝试模拟人脑工作方式，创建人工神经网络处理数据。 认识到大语言模型是深度学习在自然语言处理领域的应用，像 ChatGPT、文心一言等，被训练来理解和生成人类语言。 希望以上建议对您学习 NLP 入门有所帮助。
2025-01-26
深度学习跟机器学习有啥区别呀？能不能举个通俗易懂的例子
深度学习和机器学习的区别主要体现在以下几个方面： 1. 学习方式：机器学习通常需要人工选择和设计特征，而深度学习能够自动从数据中学习特征。 2. 模型结构：机器学习模型相对简单，深度学习则使用多层的神经网络，结构更复杂。 3. 数据处理能力：深度学习能够处理更大量和更复杂的数据模式。 例如，在图像识别任务中，如果使用机器学习，可能需要人工提取图像的颜色、形状等特征，然后基于这些特征进行分类。但在深度学习中，神经网络可以自动从大量的图像数据中学习到有效的特征表示，从而实现更准确的分类。 机器学习是人工智能的一个子领域，让计算机通过数据学习来提高性能，不是直接编程告诉计算机如何完成任务，而是提供数据让机器找出隐藏模式或规律，然后用这些规律预测新的未知数据。 深度学习是机器学习的一个子领域，模拟人脑工作方式，创建人工神经网络处理数据，包含多个处理层，能学习和表示大量复杂模式，在图像识别、语音识别和自然语言处理等任务中非常有效。 大语言模型是深度学习在自然语言处理领域的应用之一，目标是理解和生成人类语言，需要在大量文本数据上训练，如 ChatGPT、文心一言。同时，大语言模型具有生成式 AI 的特点，不仅能理解和分析数据，还能创造新的独特输出。
2025-01-21
怎么样写prompt？有哪些技巧？你能举个例子吗
写 prompt（提示）是一个关键步骤，决定了 AI 模型如何理解并生成文本。以下是一些编写 prompt 的技巧和建议： 1. 明确任务：清晰定义任务，如写故事时包含背景、角色和主要情节。 2. 提供上下文：若任务需特定背景知识，提供足够信息。 3. 使用清晰语言：用简单、清晰的语言描述，避免模糊或歧义词汇。 4. 给出具体要求：明确格式、风格等特定要求。 5. 使用示例：提供期望结果的示例，帮助模型理解需求。 6. 保持简洁：避免过多信息导致模型困惑。 7. 使用关键词和标签：有助于模型理解任务主题和类型。 8. 测试和调整：生成文本后检查结果，根据需要调整 prompt。 此外，还有“Fewshots”的技巧，即在写 Prompt 时，通过提供 1 3 个输入 输出示例，让 GPT 学到样本共性，提升输出结果质量。比如： 初始 Prompt： 你是一个优秀的翻译人员，你会把我说的汉字翻译成英文和日语，日语同时展示日语汉字和假名。不要有任何额外的解释说明。 输入:邻居 输出:Neighbor 输入:自行车 输出:Bicycle 结构化的 prompt 方法论中，结构化是对信息进行组织，使其遵循特定模式和规则，方便有效理解。常用模块包括： Role:<name>:指定角色让 GPT 聚焦对应领域输出。 Profile author/version/description:Credit 和迭代版本记录。 Goals:一句话描述 Prompt 目标，让 GPT 聚焦。 Constrains:描述限制条件，帮 GPT 剪枝。 Skills:描述技能项，强化对应领域信息权重。 Workflow:重点，希望 Prompt 按特定方式对话和输出。 Initialization:冷启动时的对白，强调重点。
2024-10-22
AI能够取代人类的什么工作场景，请简单举个实际的例子
AI 能够在一些工作场景中取代人类，例如： 在一些重复性高、规律性强的工作中，如数据录入、文件整理等，AI 可以更高效地完成任务。 某些简单的客服工作，AI 能够根据预设的回答模式处理常见问题。 不过，AI 无法完全取代需要人际交往、团队领导和复杂决策制定的角色。像云架构师、网络架构师和企业架构师等职位，不仅需要技术知识，更需要与人沟通、管理利益相关者和领导团队的能力。此外，企业领导者在利用 AI 提高工作效率的同时，仍需将更多精力投入到创新和战略规划上。 同时，知名投资机构 Nfx 在他们最新的《The AI Workforce is Here:The Rise of a New Labor Market》中提到，Sam Altman 经常提到 AGI 到来的定义之一就是 AI 能替代百分之七十的人类工作。现在 AI 正在强制逆转 SaaS 这个缩写的含义，从“软件即服务”转变为“服务即软件”，软件既能组织任务，也能执行任务，无需雇佣额外劳动力，传统的劳动力市场最终将和软件融合成为一个新市场。
2024-09-04
向量数据库高效储存是什么意思 举个例子
向量数据库高效储存指的是专门用于存储高维向量，以实现快速准确的相似性搜索。在人工智能领域，尤其是自然语言处理和计算机视觉等方面，模型会生成并处理大量高维向量，传统数据库难以有效应对，向量数据库则为这些应用提供了高度优化的环境。 例如，像 GPT3 这样的大型语言模型，有 1750 亿个参数，会产生大量向量化数据，传统数据库很难有效处理，而向量数据库能够有效地管理和查询这些向量。 从系统角度看，预处理管道中向量数据库至关重要，负责高效存储、比较和检索多达数十亿的嵌入（即向量）。市场上常见的选择如 Pinecone，完全由云托管，容易上手，具备大型企业在生产中所需的多种功能。同时，还有 Weaviate、Vespa 和 Qdrant 等开源系统，通常具有出色的单节点性能，可针对特定应用定制；Chroma 和 Faiss 等本地向量管理库，有丰富的开发人员经验，便于启动小型应用程序和开发实验；pgvector 之类的 OLTP 扩展，对于特定开发人员和企业也是一种解决方案。 向量存储是用于存储和检索文本嵌入向量的工具，这些向量是文本数据的数值表示，能让计算机理解和处理自然语言。其主要功能包括高效存储大量文本向量、快速检索相似文本向量以及支持复杂的查询操作，如范围搜索和最近邻搜索。
2024-08-27
如何可以通过ai语音转文字
以下是关于通过 AI 实现语音转文字的相关内容： 可以使用 GVoice 提供的语音录制和识别能力，其中文识别率优秀。语音识别的少量错误，ChatGPT 能正常理解和纠错，衔接较为流畅。 推荐 OpenAI 的 wishper，相关链接：https://huggingface.co/openai/whisperlargev2 。还有一个项目：https://huggingface.co/spaces/sanchitgandhi/whisperjax ，此项目在 JAX 上运行，后端支持 TPU v48，与 A100 GPU 上的 PyTorch 相比，快 70 多倍，是目前最快的 Whisper API。 对于有字幕的 B 站视频，可通过安装油猴脚本获取字幕，然后将字幕文字内容复制发送给 GPTs 进行总结。
2025-02-17
开源文字转语音
以下是为您提供的开源文字转语音相关信息： WhisperSpeech：通过对 OpenAI Whisper 模型的反向工程实现，生成发音准确、自然的语音输出。 相关链接：https://github.com/collabora/WhisperSpeech 、https://x.com/xiaohuggg/status/1748572050271420663?s=20 StyleTTS 2：一个开源的媲美 Elevenlabs 的文本转语音工具，可结合文本角色内容和场景音快速生成有声小说。 主要特点：多样化的语音风格、更自然的语音、高效生成、精确的语音控制、接近真人的语音合成、适应不同说话者。 工作原理：利用风格扩散和与大型语音语言模型（SLM）的对抗性训练来实现接近人类水平的 TTS 合成，通过扩散模型将风格建模为一个潜在的随机变量，以生成最适合文本的风格，而不需要参考语音，实现了高效的潜在扩散，同时受益于扩散模型提供的多样化语音合成。 相关链接：暂无
2025-02-15
自动语音识别加字幕
以下是关于自动语音识别加字幕的相关内容： 制作 AI 数字人视频添加字幕的方法： 在显示区域，拖动背景图的角将其放大到适合尺寸，如覆盖视频窗口，并将数字人拖动到合适位置。点击文本 智能字幕 识别字幕，然后点击开始识别，软件会自动将文字智能分段并形成字幕。至此，数字人视频完成，可点击右上角“导出”按钮导出视频备用。 文旅片添加字幕的方法： 选择朗诵男生或清爽男生的音色进行朗读，点击开始朗读自动生成音频。鼠标右键点击当前音轨，找到识别字幕/歌词，耐心等待生成对应文本字幕。操作复杂的部分可观看录制的视频。若剪映的识别字幕功能需要 VIP，可准备好字幕文件，点击本地字幕并导入文件。 视频自动字幕工具推荐： 1. Reccloud：免费的在线 AI 字幕生成工具，可上传视频精准识别，能翻译字幕并生成双语字幕，处理过 1.2 亿+视频，识别准确率接近 100%。 2. 绘影字幕：一站式专业视频自动字幕编辑器，提供字幕制作和翻译服务，支持 95 种语言，准确率高达 98%，可自定义字幕样式。 3. Arctime：能对视频语音自动识别并转换为字幕，支持自动打轴，支持 Windows 和 Linux 等主流平台及 SRT 和 ASS 等字幕功能。 4. 网易见外：国内知名语音平台，支持视频智能字幕功能，转换正确率较高，支持音频转写功能。 您可根据自身需求选择适合的工具。
2025-02-14
有免费好用的文本转语音工具吗
以下是一些免费好用的文本转语音工具： 1. Eleven Labs：https://elevenlabs.io/ 这是一款功能强大且多功能的 AI 语音软件，能生成逼真、高品质的音频，可高保真地呈现人类语调和语调变化，并能根据上下文调整表达方式。 2. Speechify：https://speechify.com/ 这是一款人工智能驱动的文本转语音工具，可将文本转换为音频文件，能作为 Chrome 扩展、Mac 应用程序、iOS 和 Android 应用程序使用，适用于收听网页、文档、PDF 和有声读物。 3. Azure AI Speech Studio：https://speech.microsoft.com/portal 这是一套服务，赋予应用程序“听懂、理解并与客户进行对话”的能力，提供了支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供了自定义的语音模型。 4. Voicemaker：https://voicemaker.in/ 这一 AI 工具可将文本转换为各种区域语言的语音，并允许创建自定义语音模型，易于使用，适合为视频制作画外音或帮助视障人士。 此外，还有日语文本转语音软件 VOICEVOX，它提供多种语音角色，适用于不同场景，可调整语音的语调、速度、音高，开源且可商用。链接： 内容由 AI 大模型生成，请仔细甄别。
2025-02-12
语音转文字
以下是关于语音转文字的相关信息： 推荐 OpenAI 的 wishper，相关链接：https://huggingface.co/openai/whisperlargev2 。一分钟搞定 23 分钟的音频，相关链接：https://huggingface.co/spaces/sanchitgandhi/whisperjax 。此项目在 JAX 上运行，后端支持 TPU v48，与 A100 GPU 上的 PyTorch 相比，快 70 多倍，是目前最快的 Whisper API。 在声控游戏《神谕》中，使用 GVoice 提供的语音录制和识别能力进行语音转文字，中文识别率优秀。语音识别的少量错误，可被 chatgpt 正常理解和纠错，衔接流畅。 免费的会议语音转文字工具大多有使用时间限制，超过免费时间需付费。推荐工具包括：飞书妙记（https://www.feishu.cn/product/minutes）、通义听悟（https://tingwu.aliyun.com/home）、讯飞听见（https://www.iflyrec.com/）、Otter AI（https://otter.ai/）。更多会议记录工具请访问网站：https://waytoagi.com/sites/category/29 。
2025-02-11
中文语音克隆比较强的有哪些
以下是一些中文语音克隆能力较强的产品： XiaoHu.AI：通过 250,000 小时的中英双语数据训练，仅需 15 秒的声音即可完美克隆，包括音色和情感。基于 LLaMA 模型，支持从文本生成语音，或基于语音提示生成目标语音（保留情感特征）。参数规模有 Llasa1B（轻量级，适合资源受限硬件部署，链接：https://huggingface.co/HKUSTAudio/Llasa1B ）和 Llasa3B（更高性能，提供更复杂的语音生成，链接：https://huggingface.co/HKUSTAudio/Llasa3B ）。详细介绍：https://www.xiaohu.ai/c/a066c4/llasattsllama3233827b03e5f44a989bf29c06d43d11ce 。 开源产品： GPTSoVITS：https://github.com/RVCBoss/GPTSoVITS ，对中、英、日语言支持良好，需要 10 分钟左右干素材，瞬时 clone 功能未开放。 OpenVoice：https://github.com/myshellai/OpenVoice ，对中文支持较好，主打瞬时 clone，发展势头良好，一个月前测试时中文声音 clone 有英语味道。 商业产品： ElevenLab：https://elevenlabs.io ，支持最多语言种类，支持瞬时 clone，综合效果最好。 Reecho：https://reecho.ai ，中国团队，支持长音频和瞬时声音 clone，据说与火山引擎的声音 clone 技术同源。 自得语音：https://zideai.com ，中国团队，支持瞬时声音 clone 和声音定制，尚未测试。
2025-02-11
生成式AI教育场景应用 项目式学习 中小学案例
以下是一些中小学在生成式 AI 教育场景应用中采用项目式学习的案例： 北京市新英才学校： 开设“AI 创作家”小学课后服务特色课程，12 个五、六年级的学生在老师的引导和帮助下，主导设计一款实用的桌游。 学生们提出解决学校面积大导致新生和访客迷路的问题，决定制作一款学校地图桌游。 课程中，学生有时听老师讲解人工智能知识和工具使用方法，有时自己写 prompt 与大语言模型对话，还使用文生图 AI 工具生成桌游卡牌背后的图案，手绘第一版学校地图，选择游戏机制并梳理游戏流程。 在教育领域，生成式 AI 带来了诸多改变： 解决了教育科技长期以来在有效性和规模之间的权衡问题，可大规模部署个性化学习计划，为每个用户提供“口袋里的老师”，如实时交流并给予发音或措辞反馈的语言老师。 出现了众多辅助学习的产品，如教授新概念、帮助学习者解决各学科问题、指导数学作业、提升写作水平、协助创建演示文稿等。
2025-02-18
生成式AI教育场景应用 中小学案例
以下是北京市新英才学校在中小学教育场景中生成式 AI 的应用案例： 特色课程方面：学校开设了“AI 创作家”小学课后服务特色课程，12 个五、六年级的学生在老师的引导下，用 AIGC 工具设计一款实用的桌游。学生主导从收集需求、定义问题到设计背景、机制、内容、视觉，再到测试、迭代的全过程。例如，为解决学校面积大导致新生和访客迷路的问题，学生决定做一款学校地图桌游。课程中，学生学习人工智能知识、使用工具写 prompt 与大语言模型对话，还使用 OpenInnoLab平台生成桌游卡牌图案、手绘地图、选择游戏机制、梳理游戏流程。此外，还邀请中国传媒大学的吴卓浩教授合作，采用“大学生，小学生同上一节课”的方式，大学生为小学生讲解 AI 工具、试玩桌游。本学期，学生们测试并迭代桌游，使用 3D 打印机打印配件，用 ChatGPT 和 Midjourney 增强视觉设计，用 Kimi 辅助编写说明书，还计划让学生尝试用文生音乐工具 Suno 制作歌曲加入桌游 2.0 版本。 英语主课方面：初中部的英语课也融入了 AIGC 工具。魏一然协助初中部的英文老师杨佳欣和刘奕玚进行探索。在课程初期，更多是老师带着学生使用 AIGC 工具，prompt 由学生提出，老师引导。例如，在研究学校食堂食物浪费问题时，老师带着学生与 ChatGPT 对话，了解处理方法，让 ChatGPT 为学生生成生词解释和例句，形成生词库，并灵活加工生词生成题目、游戏或文章帮助学生复习单词。在关于社交媒体的英语辩论课上，尝试让学生自主使用 AIGC 工具做辩论准备。
2025-02-18
飞书接入deepseek 多维表格处理案例
以下是关于飞书接入 DeepSeek 多维表格处理的相关案例和信息： 自定义 AI（DeepSeek 版）：https://bytedance.larkoffice.com/base/extension/replit_3f6c0f185eac23fb ，支持 DeepSeek R1、V3 模型，以及 DeepSeek 官方、火山方舟、硅基流动三个服务商。 有案例如“笨笨 v 泡泡”的 deepseekr1:7b 模型行测试题分析过程及结果，可参考：https://mp.weixin.qq.com/s/kjYiRS9RE25vywm0EsP6A?token=8615663&lang=zh_CN 。 相关文章和教程： 《突破 DeepSeek R1 能力天花板，火山引擎扣子+飞书一站式企业解决方案》：https://waytoagi.feishu.cn/wiki/RZE9wP94tiEO6bkU5cTcyecHnnb 。 《羊毛快薅|字节火山上线了 DeepSeek 系列模型并悄悄更改了模型服务价格...》：https://waytoagi.feishu.cn/wiki/HzHSwEwtCiBmWrkRm6fc0J0Qneh 。 《喂饭级教程：飞书多维表格+DeepSeek=10 倍速用 AI》：https://mp.weixin.qq.com/s/aIi4tIy0CCINyQE_3AfF_Q ，介绍了如何结合实现批量处理信息、提升工作效率等。 飞书多维表格的接入方法在整理列上这两天直播教程中的所有模板中有提及。 2 月 10 日的社区动态中有 DeepSeek R1 赏析分享会等相关内容。 2 月 14 日的社区动态中有关于另外一款推理模型 zero 的推理过程等相关内容。
2025-02-17
目前针对H5，有哪些可以和ai结合的案例
目前在 H5 领域，与 AI 结合的案例相对较少。但一些可能的方向包括：利用 AI 进行个性化内容推荐，根据用户的浏览历史和偏好为其推送相关的 H5 页面内容；通过 AI 实现智能客服，在 H5 页面中为用户提供实时的问题解答和帮助；运用 AI 图像识别技术，让用户可以通过拍照或上传图片在 H5 页面中获取相关信息或进行互动。
2025-02-17
AI智能体在企业应用案例
以下是一些 AI 智能体在企业中的应用案例： 决策智能体： 以 Anterior 为例，它是一家健康计划自动化公司，开发了用于自动化理赔提交审核的临床决策引擎。将付款方规则转换为有向无环图，智能体遍历决策树，利用 LLM 评估相关临床文件是否符合规则，在复杂任务中选择最佳方法并更新状态，直至最终确定。 Norm AI 正在为监管合规打造 AI 智能体，Parcha 正在为 KYC 建立智能体。 检索增强生成（RAG）： 以 Sana 的企业搜索用例为例，应用程序加载和转换无结构文件，将其分块并作为向量嵌入存储在数据库中。当用户提问时，系统检索相关上下文块，折叠到“元提示”中与检索信息一起喂给 LLM，合成答复返回给用户。 Eve 法律研究的共同驾驭员会将研究查询分解为独立提示链，运行每个提示链生成中间输出，并综合编写最终备忘录。 生成式 AI 应用： 具有搜索、合成和生成三个核心用例，Menlo Ventures 投资组合公司如 Sana（企业搜索）、Eve（法律研究副驾驶）和 Typeface（内容生成 AI）是早期突破性的代表。 领先的应用程序构建商如 Anterior、Sema4 和 Cognition 正在建立解决方案，处理之前只能由大量人力解决的工作流程。借助多步逻辑、外部内存以及访问第三方工具和 API 等新型构建块，拓展 AI 能力边界，实现端到端流程自动化。
2025-02-16
开源模型的MIT模式、Apache、GPL、BSD模式的模型案例有哪些？
目前开源模型的 MIT 模式、Apache、GPL、BSD 模式的具体案例众多且不断更新。MIT 模式的开源模型如 TensorFlow Lite；Apache 模式的有 MXNet；GPL 模式的像 Gnuplot；BSD 模式的例如 OpenCV 等。但请注意，这只是其中的一部分，实际情况可能会有所变化。
2025-02-14