AI 语音识别
围绕 Qwen3-ASR、Whisper 等模型把会议、采访和视频里的说话声转成文字，解决转写、字幕与实时听写需求。
AI 语音识别（ASR）让模型直接把说话声转成文字，覆盖会议记录、采访转写、视频字幕和实时听写等场景。以 Qwen3-ASR、Fun-ASR、Whisper 为代表的方案已能在嘈杂环境、多方言和 30 多种语言下保持低错字率，但专有名词、同音词和重度口音仍要靠自定义词表与人工校对兜底。
PLaMo 翻译大型更新上线：53 种语言与会议实时翻译，成本称不到同行一成
PLaMo 翻译在 2026 年 10 月 7 日迎来大型更新，发布方是日本的 Preferred Networks（PFN）。这次更新换上了第三代 PLaMo 模型打底，支持语言从原来的日英两种一口气扩到 53 种，还正式上线了能实时转写并翻译在线会议发言的新功能。PFN 给出的成本数字很醒目：约...
Admin
92 
whisper.cpp 值得用吗？在自己电脑上转录音，三处代价先看清
whisper.cpp 适合想在自己电脑上离线转录音、又不想折腾 Python 环境的人，尤其适合处理会议录音、访谈和课程等不方便上传云端的素材；但如果你完全没碰过命令行，或者必须分清谁在说话，它并不是装上就能省心的工具。 它是做什么的 whisper.cpp 是 OpenAI Whisper 模型...
Admin
48 
MAI-Transcribe-2-Streaming 发布：微软语音模型边听边写
MAI-Transcribe-2-Streaming 在 2026 年 10 月 1 日由 Microsoft AI 通过官方博客发布，与它一起亮相的还有语音合成模型 MAI-Voice-2.1 和更快的 MAI-Voice-2.1-Flash。微软把三款模型打包成一套语音智能体组件：一个负责听，一...
Admin
89 
多模态模型到底是什么？看得见和看得懂完全是两回事
多模态模型是能同时处理文本、图像、音频等多种信息形态的 AI 模型：给它一张图、一段语音、几行文字，它能综合起来理解并回应。但先划一条边界——"多模态"不等于"全能"，通道变多了，理解力并没有同步翻倍。它能描述照片里有几个人在做什么，却分不清谁在开玩笑。 三种常见形态：理解型、生成型、统一型 三类很...
Admin
101 
ElevenLabs 估值翻倍至 220 亿美元：3 亿美元员工售股背后的语音 Agent 热
ElevenLabs 在 2026 年 9 月 30 日宣布完成 3 亿美元的员工 tender offer，估值达到 220 亿美元——较今年 2 月 5 亿美元 D 轮融资时的 110 亿美元直接翻倍。这家 2022 年创立的 AI 语音公司，正把"会说话的 AI Agent"变成一门大生意。 ...
Admin
74 
AI 宠物摄像头值不值得买，先分清看宠刚需还是图新鲜
AI 宠物摄像头值不值得买，先问自己一个问题：家里没人时，你是真的需要随时看到宠物，还是只是图个新鲜？如果是前者——宠物独处时间长、出现异响或异常行为想第一时间知道，这类设备值得认真考虑；如果家里常有人陪着，只是看着好玩，大概率用两周就吃灰。 真实卖点 AI 识别推送是这类摄像头和普通监控最大的区别...
Admin
54 
AI 智能音箱买了不吃灰的，前提是家里有这两类人
AI 智能音箱值不值得买，答案不在参数表里，而在你家客厅里：家里有老人小孩、或已有几件智能家居设备，它就是全家开机率最高的 AI 硬件；独居且注重隐私、或主要指望它播音乐，这笔钱可以省下来。 真实卖点：从"喊一句"变成"聊起来" 这两年智能音箱最大的变化，是大模型接管了对话。以前是"一问一答、答错就...
Admin
77 
AI 智能录音笔值不值得买？先分清会议刚需和偶尔记录
AI 智能录音笔是过去两年少数真正卖出销量的 AI 硬件：它不卖参数，卖的是"会后不用自己整理纪要"。但值不值得买，几乎完全取决于你一个月有多少小时的线下对话需要转成文字：5 小时以下和 20 小时以上，是两种完全不同的答案。 先把核心事实摆出来：以 Plaud Note 为例，设备 159 美元，...
Admin
110