# 智能语音交互 #
1
关注
2689内容
具身智能与大模型融合创新技术实训研讨会成功举办
2025年1月16日-19日武汉，TsingtaoAI联合北京博创鑫鑫教育科技，举行“具身智能与大模型融合创新技术”实训研讨会，本次会议面向高校AI教师和企业AI工程师群体，通过3天的技术研修和实操教学，通过将 AI 大模型与具备3D视觉的机器人相结合，为学员实践演示，带领学员深入理解通用具身智能的原理和应用。
过年啦！做一个春节贺卡生成器？
本文介绍了如何获取和利用现有的大模型资源，结合魔笔低代码，低成本、高效率地打造一个 AI 春节贺卡生成器。
百聆：集成Deepseek API及语音技术的开源AI语音对话助手，实时交互延迟低至800ms
百聆是一款开源的AI语音对话助手，结合ASR、VAD、LLM和TTS技术，提供低延迟、高质量的语音对话体验，适用于边缘设备和低资源环境。
GLM-Realtime：智谱推出多模态交互AI模型，融入清唱功能，支持视频和语音交互
GLM-Realtime 是智谱推出的端到端多模态模型，具备低延迟的视频理解与语音交互能力，支持清唱功能、2分钟内容记忆及灵活调用外部工具，适用于多种智能场景。
Kokoro-TTS：超轻量级文本转语音模型，支持生成多种语言和多种语音风格
Kokoro-TTS 是一款轻量级文本转语音模型，支持多语言和多语音风格生成，具备实时处理能力和低资源占用，适用于多种应用场景。
VITA-1.5: 迈向GPT-4o级实时视频-语音交互
近期，由南京大学和腾讯优图推出的VITA-1.5在魔搭开源。VITA-1.5支持视频，音频，文本输入，以及音频输出。
语音交互产品通过WebSocket协议对外提供实时语音流语音转写功能
阿里云智能语音交互产品通过WebSocket协议提供实时语音转写功能，支持长语音。音频流以Binary Frame上传，指令和事件为Text Frame。支持单声道、16 bit采样位数的PCM、WAV等格式，采样率8000Hz/16000Hz。可设置返回中间结果、添加标点、中文数字转阿拉伯数字，并支持多语言识别。服务端通过临时Token鉴权，提供外网和上海ECS内网访问URL。交互流程包括StartTranscription、StopTranscription指令及多种事件反馈。
昇腾AI行业案例（七）：基于 Conformer 和 Transformer 模型的中文语音识别
欢迎学习《基于 Conformer 和 Transformer 模型的中文语音识别》实验。本案例旨在帮助你深入了解如何运用深度学习模型搭建一个高效精准的语音识别系统，将中文语音信号转换成文字，并利用开源数据集对模型效果加以验证。
《鸿蒙Next中的新兴人工智能算法：适应性与性能的双重提升》
鸿蒙Next系统引入了多种新兴人工智能算法，提升智能化与效率。盘古大模型增强小艺的记忆、推理能力，支持图像识别、智能通话等；RWKV架构优化文本处理，提高准确性和连贯性；JEPA算法通过自监督学习和强化学习提升图像与语音识别；决策树结合GPU Turbo加速图形处理任务；假设驱动AI则在医疗等领域展现独特优势。这些算法推动系统不断进步，为用户提供更智能的体验。
《鸿蒙Next：让人工智能语音交互听懂每一种方言和口音》
鸿蒙Next系统通过丰富方言语音数据、优化语音识别模型、引入语音合成技术及用户反馈机制，大幅提升对不同方言和口音的识别能力。具体措施包括多渠道收集方言数据、建立动态数据库、采用深度学习算法、实现多任务学习与对抗训练、生成标准方言样本，并结合硬件如麦克风阵列技术优化语音输入质量。这些综合手段确保了语音交互的准确性和实时性，为用户提供更智能、便捷的服务。
免费试用