Nvidia 开放 Nemotron 3.5 Transcribe 语音模型
以文本指令统一完成多语转写、英译互译、说话人识别与录音问答。
近 7 天语音专区 1 条动态。正在追踪 29 个 AI 信源,数据更新于 10月30日 23:00。
以文本指令统一完成多语转写、英译互译、说话人识别与录音问答。
两款新模型面向 Muse Code 订阅者开放,Wonder 也接入 Meta Model API。
d1 系列用单次前向传播完成多模态决策而非生成 token。
面向阿拉伯语和阿联酋方言的 1.6B 语音识别模型。
开放多模态嵌入模型可本地运行并支持离线RAG。
将文本、代码、图像、视频和音频统一到共享嵌入空间。
微软发布实时转录模型 MAI-Transcribe-2-Streaming 与两款语音合成模型 MAI-Voice-2.1 及其 Flash 版本。
面向实时面对面对话,同时理解并生成音视频信号。