# 智能语音交互 #
1
关注
2665内容
TIGER：清华突破性模型让AI「听觉」进化：参数量暴降94%，菜市场都能分离清晰人声
TIGER 是清华大学推出的轻量级语音分离模型，通过时频交叉建模和多尺度注意力机制，显著提升语音分离效果，同时降低参数量和计算量。
VideoCaptioner：北大推出视频字幕处理神器，AI自动生成+断句+翻译，1小时工作量5分钟搞定
VideoCaptioner 是一款基于大语言模型的智能视频字幕处理工具，支持语音识别、字幕断句、优化、翻译全流程处理，并提供多种字幕样式和格式导出。
《探秘Downpour SGD算法：原理与多元应用场景解析》
Downpour SGD是随机梯度下降（SGD）的一种变体，采用参数服务器架构，通过数据并行机制将大规模数据集分割到多个工作节点进行并行计算。它使用异步梯度更新策略，减少通信开销，提高训练效率，并结合自适应学习率调整机制，确保模型稳定收敛。该算法在图像识别、语音识别、自然语言处理和推荐系统等领域表现出色，显著加速模型训练，提升性能和准确性。
《攻克LSTM语音识别“语速关”：技术新突破与解决方案》
在语音识别中，LSTM虽具强大序列建模能力，但对不同语速的适应性仍面临挑战。为此，可从数据增强（如语速扰动、多语速语料库）、模型改进（引入注意力机制、双向LSTM、增加深度宽度）、训练策略（分层训练、多任务学习、调整参数）及后处理（语速归一化、语言模型融合）等方面入手，全面提升LSTM对不同语速的适应性和识别性能。
Hibiki：实时语音翻译模型打破语言交流障碍！支持将语音实时翻译成其他语言的语音或文本
Hibiki 是由 Kyutai Labs 开发的实时语音翻译模型，能够将一种语言的语音实时翻译成另一种语言的语音或文本，支持高保真度和低延迟。
FireRedASR：精准识别普通话、方言和歌曲歌词！小红书开源工业级自动语音识别模型
小红书开源的工业级自动语音识别模型，支持普通话、中文方言和英语，采用 Encoder-Adapter-LLM 和 AED 架构，实现 SOTA 性能。
基于DeepSeek的具身智能高校实训解决方案——从DeepSeek+机器人到通用具身智能
本实训方案围绕「多模态输入 -> 感知与理解 -> 行动执行 -> 反馈学习」的闭环过程展开。通过多模态数据的融合（包括听觉、视觉、触觉等），并结合DeepSeek模型和深度学习算法，方案实现了对自然语言指令的理解、物体识别和抓取、路径规划以及任务执行的完整流程。
SpeechGPT 2.0：复旦大学开源端到端 AI 实时语音交互模型，实现 200ms 以内延迟的实时交互
SpeechGPT 2.0 是复旦大学 OpenMOSS 团队推出的端到端实时语音交互模型，具备拟人口语化表达、低延迟响应和多情感控制等功能。
免费试用