标签索引

实时交互

这个标签下有 8 篇文章。按时间回看相关判断与实践记录。

标签精选

OpenAI 推出三款新语音模型：具备 GPT-5 级推理能力

OpenAI 正式发布了三款全新的语音模型，旨在全面提升 API 的语音处理能力。其中，GPT-Realtime-2 最为核心，据说具备 GPT-5 级别的推理能力，能大幅提升语音交互的智能水平；GPT-Realtime-Translate...

2026-05-081 分钟阅读81 阅读

OpenTalking 是一款基于 Soulx-flashtalk-14b 模型的开源项目，旨在打破“次元壁”实现高保真数字人交互。用户仅需上传一张图片，即可生成具备动态对话能力的虚拟角色，并集成了 LLM、STT 及 TTS 技术。该项目...

2026-05-011 分钟阅读202 阅读

Hume AI 推出了一项名为 TADA 的新型语音生成技术。不同于传统的文本转语音（TTS）模型，TADA 引入了“文本-声学同步”机制，旨在有效解决生成语音中常见的延迟和音字不匹配问题。该技术在保证高音质的同时，显著提升了生成速度和可靠...

2026-03-111 分钟阅读89 阅读

作者详细记录了从零构建低延迟语音代理的全过程，通过利用Groq的高推理速度、Deepgram Flux的流式转录以及优化WebSocket架构，最终实现了约400ms的端到端响应速度。实测表明，这种自建方案比现成的Vapi平台快了两倍。文章...

2026-03-031 分钟阅读95 阅读

Moonshine Voice是一个全新的开源AI语音工具包，旨在解决Whisper在实时语音交互中的高延迟问题。该模型采用流式处理架构，打破了Whisper 30秒固定窗口的限制，支持在用户说话时同步计算，大幅降低响应延迟。官方数据显示，...

2026-02-251 分钟阅读223 阅读

Shared Claude 是一项大胆的社会实验，旨在探索当赋予人工智能实时控制网站的能力时会发生什么。在这个项目中，互联网用户可以通过发送短信与 AI 对话，而 AI 会根据这些实时对话内容直接更新和塑造网站页面。该实验由 Anthrop...

2026-01-251 分钟阅读283 阅读

1月14日，爱诗科技正式推出通用实时世界模型PixVerse R1。该模型支持最高1080P分辨率，能实现即时响应，突破了传统AI视频生成需长时间等待、输出固定的限制。在生成过程中，用户可持续调整角色状态、环境及镜头走向，系统将同步响应并保...

2026-01-151 分钟阅读193 阅读

A2UI是一款专为AI代理设计的流式协议，使AI系统能够实时创建、更新和与用户界面进行交互，为用户提供动态且响应迅速的使用体验。开发者只需通过简单的npm安装即可开始使用，几行代码就能实现界面的实时更新和组件管理。该协议支持实时组件更新、事...

2025-12-161 分钟阅读215 阅读