研究人员最近开发了一种名为R2-Tuning的技术，这项技术能够通过识别口语提示来理解视频中的特定时刻。R2-Tuning技术的核心在于其能够对视频内容进行高效的分析和处理，使得机器能够像人类一样理解视频内容中的关键时...

Lightning Whisper MLX是一款针对苹果硅芯片优化的Whisper语音识别算法的高速实现版本。它采用批量解码技术以提高吞吐量，运用蒸馏模型以加快解码速度，并引入量化模型以加速内存传输。相较于传统的Whisper CPP，Lig...

谷歌宣布，即将推出的Pixel 8手机将在开发者预览版中集成Gemini Nano技术。这一技术的应用旨在增强手机内置应用的功能，特别是录音器中的'Summarize'摘要功能和Gboard键盘的'Smart Reply'智能回复功能。Gemini Nano...

微软即将于3月21日公开展示Surface Pro 10和Surface Laptop 6，这两款电脑将配备最新的神经处理单元，可提升人工智能能力。这些电脑将由英特尔的第11代酷睿处理器提供动力，其内置的AI引擎可提供更快的AI处理速度和...

Visual Speech Recognition with Language Models（VSP-LLM）框架在视觉语音识别和翻译中引入了新的方法，通过集成LLMs来高效处理视频输入，通过去重嵌入视觉特征和使用低秩适配器进行成本效益训练。

Reddit已经与一家未透露姓名的大型AI公司签订了一份价值约6000万美元的许可协议，授权该公司可以访问Reddit大量的用户生成内容。Reddit表示，这项协议将帮助AI公司培训其算法，从而提高其在自然语言处理和语音识别等...

近日，一项名为ZeroSwot的新方法被提出，通过独特的技术，成功突破了语音和文本之间的差异以及数据缺乏等难题，实现了提高语音翻译准确度的目标。具体来说，ZeroSwot通过使用语音识别数据训练语音编码器，然后将其与...

Phidata是一个使用函数调用构建AI助手的工具包。它不仅可以帮助开发者更快地构建AI助手，还可以通过模块化设计轻松扩展其功能。Phidata基于Python语言，支持各种功能，包括自然语言处理、语音识别和图像识别。它还提...