# 智能语音交互 #
1
关注
2663内容
使用OpenAI的Whisper 模型进行语音识别
本文将解释用于训练的数据集的种类以及模型的训练方法，以及如何使用Whisper
基于开源技术的数字人实时对话：形象可自定义，支持语音输入，对话首包延迟可低至3s
魔搭社区最近上线了基于开源技术的数字人实时对话demo，无需预训练即可使用自定义的数字人形象进行实时对话，支持语音输入和实时对话。
ClearerVoice-Studio：阿里通义开源的语音处理框架，提供语音增强、分离和说话人提取等功能
ClearerVoice-Studio 是阿里巴巴达摩院通义实验室开源的语音处理框架，集成了语音增强、分离和音视频说话人提取等功能。该框架基于复数域深度学习算法，能够有效消除背景噪声，保留语音清晰度，并提供先进的预训练模型和训练脚本，支持研究人员和开发者进行语音处理任务。
三行代码实现实时语音转文本，支持自动断句和语音唤醒，用 RealtimeSTT 轻松创建高效语音 AI 助手
RealtimeSTT 是一款开源的实时语音转文本库，支持低延迟应用，具备语音活动检测、唤醒词激活等功能，适用于语音助手、实时字幕等场景。
《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。
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。
|
MRCP（Media Resource Control Protocol）
MRCP（Media Resource Control Protocol）是一种音视频资源控制协议，用于控制语音识别、语音合成和语音交互等场景中的音视频资源。阿里云语音交互服务（ASR、TTS、Chatbot）支持MRCP协议，您可以使用MRCP协议来控制音视频资源，并实现语音交互的功能。
|
语音识别和语音合成技术
语音识别和语音生成是人工智能的重要分支，旨在实现计算机对人类语音的理解和生成。随着深度学习技术的快速发展，语音识别和生成技术在近年来取得了显著进展，并在多个领域实现了广泛应用。本文将介绍语音识别和生成的基本原理、关键技术及其应用，并探讨其未来的发展趋势。
免费试用