# 智能语音交互 #
1
关注
2686内容
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。
Weebo：支持多语言和实时语音交流的开源 AI 聊天机器人，回复具备语调、情感的语音
Weebo 是一款基于 Whisper Small、Llama 3.2 和 Kokoro-82M 技术的 AI 语音聊天机器人，支持实时语音交互和多语言对话，适用于个人助理、娱乐互动和教育辅导等多种场景。
这是我设想的智慧审讯室的系统解决方案
该系统融合了案件云、脑机接口云、情绪感知云及互联网，涵盖审讯室终端。通过人脸识别验证人员信息后启动设备，利用语音转文字、情绪和脑机接口记录数据，并与其他执法网交换信息。智能云平台根据需求提供服务，如证据展示、健康监测等。系统通过OCR识别、数据搜集与分析，支持警方审讯并推送相关信息到显示器，实现智慧化审讯。
免费试用