阿里刚刚开源了TTS：Fun-CosyVoice3 0.5B，zero-shot音色克隆，可本地部署 还开源了款ASR【Fun-ASR-Nano 0.8B】，Fun-ASR的轻量化版本，推理成本更低，可以本地及定制化微调 另外，Fun-CosyVoice3模型做了升级，首包延迟比之前降低了50%，WER降低了56.4%，复杂场景字符错误率降低了26% 支持9种通用语言、18种中文方言、9种情感控制，可以跨语种音色复刻，比如说，用一段普通话录音可生成粤语、日语、英语等 支持双向流式合成，“输入即发声”，这个适用于语音助手、直播配音、无障碍阅读等等实时场景 Fun-ASR也升级了，噪声场景下准确率到了93%，新增歌词与说唱识别能力，支持31种语言自由混说无需预先指定语种 覆盖7大方言和26种地方口音，流式识别模型的首字延迟降低到了160ms... #TTS #ASRshow more

阿里昨晚放出了最新款TTS：Qwen3-TTS，秒级克隆、一句话设计新音色、实时流式输出，0.6B 可跨语种多语，中文克隆后直接说英日韩德法俄西葡意+ 四川话、北京话等方言，音色不变 Dual-Track双轨架构，输入1个字就能出首包音频，端到端延迟97 ms，可以做直播、实时翻译、AI客服了 用它做有声书，可以一人分饰多角，情绪、方言全有了 有1.7B和0.6B两个尺寸，1.7B性能最优，具备控制能力，0.6B均衡性能与效率 #tts #Qwen3TTS

又发现 GitHub 上一款开源强大的文本转语音工具：Abogen。 能快速将 ePub、PDF 或文本文件转换成高质量音频，并生成匹配的字幕。 GitHub： 主要特性： -... 支持 ePub、PDF、TXT 多种文件格式输入 - 基于 Kokoro-82M 模型生成自然流畅语音 - 自动生成时间同步字幕文件 - 内置语音混合器创建个性化声音 - 支持多种语言包括中文、英文、日语等 - 批量队列处理多个文件 提供 Windows 一键安装器，同时支持 pip 安装和 Docker 部署方式。show more

一个轻量级的数字人项目：MiniMates，支持语音和表情两种驱动模式，可在普通电脑上实时运行 one-shot单图驱动，最低只需要一张图片 可以说话、眨眼、转头、做表情等 支持实时交互，实时摄像头表情捕捉、实时头部跟踪、实时语音对话 github： #数字人 #AI虚拟人

绝了，刚刚阿里在除夕夜发布了新模型 Qwen-3.5-plus ，赶紧试了一下，一句话就生成了这样一个 3D 展车厅 🤯 据说这次 Qwen-3.5-plus 实现了从纯文本模型到原生多模态模型的代际跃迁，每百万... Token 仅 0.8 元人民币，是 Gemini 3 Pro 的 1/18！ 并且支持 201 种语言，可最高提升小语种 60% 的编码效率，在推理、编程、Agent 等核心评测中表现强劲，部署成本较上一代显著下降，推理效率大幅提升。作为一个 Apache 2.0 全开源并且能下载到本地的模型，性价比真的太高了。 - 普通用户可在千问 App/PC 体验： - 开发者可在魔搭： - 或 HuggingFace 下载部署： - 阿里云百炼直接获取 API 服务：show more

谷歌的升级版医疗模型出来了，开源了：MedGemma 1.5，可离线运行 MedGemma 1.5在上一代基础上，增加了对3D CT、MRI扫描，以及全切片病理图像的支持 能分析胸片时间序列，这对疾病进展监测比较有用；还能解剖定位，在X光片中识别特定的解剖结构 能从医疗实验室报告中提取结构化数据，这对于整合患者信息、辅助决策很方便 另外，配套还发了一款医疗ASR：MedASR 专为医疗场景微调的语音识别模型，胸片口述词错误率... 5.2%，比Whisper-large-v3降低了58% #AI医疗 #MedGemma #MedASRshow more

Memo AI 1.3.5 重磅更新，支持纯本地离线说话人识别分类！隐私会议，对话场景不用上传云端也能区分说话人。当然还有： 1. Cuda 模式转写速度较 GPU 提升... 100%，1 小时音频 4080s 最高质量模型转字幕只需要 2 分钟。 2. 支持选择片段重新语音转文字，应对多语言场景游刃有余 3. 升级支持与帮助的问题提交方式，有问题左下方帮助与支持提问题给我们。show more

Distil-Whisper：让语音识别的速度提高 5.8 倍，参数减少 51%，准确度保持在 99%。 Whisper 在语音识别方面表现卓著，但是它有一个明显的缺点：训练出来的小模型支持的语言比较少，而大模型推理速度又很慢。如果你有海量的数据需要处理，或者对实时性要求略高，那使用 Whisper 可能会让你比较头疼。... 你可以使用工程手段来加速推理，例如将语音分片后并发处理然后合并结果，但这里涉及到本地计算资源瓶颈的问题，以及合并分片时容错处理的问题，工程复杂度比较高。 《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》， Whisper 的 Large-v2 model 生成了一系列的 soft targets（也就是概率分布），然后复制 Whisper 网络的第一层和最后一层解码器，最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是：速度提高了 5.8 倍，参数减少了 51%，准确度保持在 99%。 这个模型的效果之所以不错，主要还是得益于训练数据的完备，它结合了九个公开可用的语音识别数据集，合并后包含 21170 小时的语音数据，涵盖超过 18260 名说话者和 10 个不同的领域；自从 Whisper 大力出奇迹（它从互联网爬取了 68w 小时的数据，未公开）以后，相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上，模型地址： Demo： Demo 会把模型下载到本地，然后通过 WebGPU 直接在网页上跑起来，测试了下效果，还是挺不错的。 目前仅支持英文，如果想让它支持中文，需要使用同样海量的中文语料数据，重新做一次知识蒸馏，但我觉得即便是这样做，效果也不一定好，因为 Whisper 本身对中文、韩语等支持就不太优秀，这个信息可以从 Whisper 的论文中找到数据支撑。 下面这个视频是 Whisper 和 Distil-Whisper 的对比效果：show more

语音圈真的炸了，这个github开源黑科技把AI语音干到了离谱的程度，项目叫 VoxCPM2，已经揽获 22.9k star。 你用自然语言描述一个声音，它就能帮你生成出来。 不用找参考音频，也不需要任何样本，直接就能出效果。 更绝的是它的克隆能力。 随便找一段音频扔进去，它可以 1:1... 复刻那个声音的音色、语气、情绪和节奏。 如果你再把原始文字稿也一起给它，连说话时的呼吸节奏、细微停顿都能还原。show more

又在 GitHub 上发现一个专为快速构建 Web 应用的强大 AI 编程助手：Claudable。 将本地 CLI... 终端编程 Agent，如 Claude Code、Gemini CLI、Qwen Coder、Cursor 等，与 Lovable 结合。 只需使用自然语言简单描述一下想法，就能瞬间生成完整的 Next.js 应用，并且可在编辑器里实时预览效果。 GitHub： 主要功能： - 支持多种 AI 编程 Agent，包括 Claude Code、Cursor CLI、Gemini CLI 等 - 自然语言描述想法，即可生成生产级 Next.js 应用 - 实时预览功能，改动代码可实时查看结果 - 具备自动错误检测和修复，提升开发效率 - 集成 Supabase 数据库，支持用户认证和数据存储 - 生成的 Web 应用，支持一键部署到 Vercel，无需复杂配置 目前工具仅支持通过本地安装部署使用，提供了详细的步骤说明，感兴趣的开发者可以看一下。show more

Skywork 上线了视频 Agent 能力，他们这个流程有意思 你可以从第一个分镜开始，左边生成之后，将生成的视频和音频素材发到右边的视频编辑器里面去进行编辑。 支持使用主流的视频模型和能力，文生、图生、首尾帧都有，另外支持生成音乐和语音。 我用首尾帧做了一条香水广告的演示，还不错。 也上线了一些特效模版，你可以不用管提示词直接复用。 而且会员从昨天（0106）开始会有为期七天的无限使用优惠，只要你是会员就可以一直用。 最近有需求的朋友们可以看看，说不定这几天直接回本了。

字节、港中文等最新搞了一个专用于人-物交互的端到端视频生成模型：OmniShow，妥妥的电商广告专用模型 全模态，一个模型通吃图+音+姿势+文本输入 任务可以覆盖R2V、RA2V、RP2V、RAP2V四种生成模式，目前应该是唯一一个支持同时用图像+音频+姿势+文本混合输入的 人脸保持、物理合理性、表现力及口型同步看起来效果都还可以 原生长镜头生成，最长可生成10秒连续视频 目前代码还没放出来 #人物视频生成模型 #OmniShow #电商视频生成

最近中文推里，Rachel🥥 的数字人skill 太火了 如果你也想使用这个Skill, 算了一遍成本才发现，从声音克隆、配音到人物视频生成，每一层都在收费。10 秒视频要花 $1 左右。 本着独立开发者精神，能省则省的思路。... 我就在想有没有本机部署模型的平替方案？ 今天花了 4 个小时，总算找到了。 声音部分：改成本地运行 Qwen3-TTS 模型，用一段自己的录音生成后续口播 wav文件。 视频目前仍然使用 HeyGen： 但我已经找到代替方案 LongCat-Video-Avatar 1.5 模型（待测试）。 我发现在调用 HeyGen 花$0.6 后，生成的口播视频，缺少字幕，这就成了半成品。 无意中发现好友 Jasper Wei 的 JPW-Live-Cut 给了我新的启发。我复用了他的 Remotion 字幕思路，单独做了一条本地字幕流水线，让它支持任意长度的普通口播视频。 现在整条流程已经变成： 本人参考声音 → 本地 Qwen3-TTS 生成口播 → 本地 ASR 检查 → HeyGen 生成人物视频 → Remotion 自动添加字幕 → 人工确认最终成片 下一步很明确：用LongCat-Video-Avatar 1.5 替代 HeyGen 的方案，把人物视频生成这笔费用也压下来。 让花费$0 也能做数字人。 成品效果见视频。show more

在 GitHub 上发现一款完全本地运行的开源 AI 助手：Eclaire，集成了超多 AI 功能。 支持文档、图片、笔记、书签等数据类型的统一管理，并通过本地 LLM... 模型提供问答对话。 同时内置强大的文档处理能力，支持 PDF、Docx、PNG 等多种格式。 GitHub： 除此之外，还有 OCR 文字识别、批量格式转换等 AI 功能。 通过 Docker 一键部署使用，支持 macOS、Linux、Windows 系统，并提供 API 接口，兼容 OpenAI 标准格式。show more

写自动化测试脚本或者写爬虫时，用传统的 Playwright 往往需要频繁维护各种元素选择器。 一旦目标网页的结构发生微调，原有的脚本就容易直接报错罢工，维护起来颇为费神。 最近在 GitHub 上看到到 HyperAgent 这个开源项目，巧妙地将... Playwright 与大模型结合在了一起。 通过自然语言就能控制浏览器，完成复杂的自动化任务，不用再写一堆脆弱的选择器代码。 GitHub： 支持单步操作，速度快成本低，以及能处理多步骤复杂任务，支持视觉理解和自适应调整。 还内置动作缓存功能，录制一次工作流后可以反复回放，不需要每次都调用大语言模型。 底层直接使用 Chrome 开发者工具协议，动作执行更精确，自动过滤广告框架，支持深层嵌套的 iframe 操作。 同时支持云端扩展，可以通过 Hyperbrowser 快速扩展到数百个会话，还能连接 MCP 工具实现完整工作流。 如果你正在用 Playwright 做自动化测试或数据采集，又厌倦了频繁维护选择器代码，这个项目值得一试。show more

🔥 YouTube 是最学英语最好的平台！ 【100个精选频道 + 全流程学习法👇】 🌍 从入门 ->... 精通，发音、听力、语法、口语 🔍支持搜索 + 分类，一站式浏览所有频道 🔗 多数人学不好英语的 3 个原因： 1️⃣ 背单词三天热度两天弃 2️⃣ 懂语法却不会用 3️⃣ 看视频听不懂 后来我换了一种更轻松的方式 👇 🧠 泡脑子学习法 听懂 70%，剩下 30% 靠语境补齐 久了之后，大脑真的会“自动用英语思考” 🎯 核心理念叫可理解性输入 (i+1) 内容要“略难一点”，不是“越难越好” 能听懂初级，就去挑战中级 ⚙️ 我自己的练习流程 ① 听：不看字幕抓意思 ② 读：对照理解 ③ 模仿：跟读语调 ④ 复述：用自己的话说show more

谷歌也发布了一个根据输入图片和音频就能生成对应人物讲话视频的项目VLOGGER。看起来没有阿里那个自然。 项目简介： 它可以根据一张人物图像,生成由文本和音频驱动的说话人视频。该方法建立在最近生成式扩散模型取得成功的基础之上。 VLOGGER 包含两个关键组件: 1) 一个随机的人体到 3D 运动的扩散模型;... 2) 一个创新的基于扩散的架构,通过时间和空间控制来增强文本到图像模型的能力。 这种方法可以生成高质量、可变长度的视频,并且可以通过人脸和身体的高级表示进行便捷控制。 与之前的工作相比,我们的方法具有以下优势:不需要为每个人单独训练模型;不依赖人脸检测和裁剪;能生成完整的图像(而非仅限于脸部或嘴唇);适用于广泛场景(如躯干可见或身份多样化),这对于正确合成具有沟通能力的虚拟人至关重要。 项目地址：show more

这种数字人直播间的搭建成本不到500一个月你敢信？ 之前老刷到这种数字人直播， 今天好奇去问了朋友到底怎么搞的， 结果这门槛低到让我有点惊讶。 现在已经可以做到“半无人”实时驱动了： 真人只需要坐在镜头前，系统拉取摄像头， 靠本地音频就能实时驱动口型，主播全程不用开口说话 不仅能正常加投流，重点是成本算下来竟然不到500 这下业内真不用再担心主播跳槽或者跑路了 AI确实在不知不觉中改变了很多行业的玩法……

🙇‍♀️📚练习口语哪家强？基本都要靠翻墙！ 👉推荐三种学习英语口语的方法： 我们上学时积累了一定的英语基础，出国也能勉强交流。 想在口语听力以及表达上提升？ 相信这三个方式也会很适合你。 一、TED-Ed: TED 的教育频道： 1️⃣... 制作精良：每一个视频的动画都质量感人； 2️⃣ 主题丰富：包含心理学、科技、商业、金融、艺术等主题； 3️⃣ 内容硬核：可以一边学习知识一边练习英语； 4️⃣ 字幕功能： 不开字幕听一遍； 打开英文字幕听一遍； 打开中文字幕听一遍； 上千个视频刷下来口语一定飞升。 二、Youtube: 频道：知心英文 1️⃣ 内容：日常口语句子 2️⃣ 形式： 每个句子，会自动不带字幕读两遍； 然后自动加注释、翻译，读三遍，跟着读就可以； 三、豆瓣高分电影、电视剧 一边刷剧一遍练习口语show more