正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

字节发布了一款端到端同声传译模型：Seed LiveInterpret 2.0，中英双向端到端同传，延迟为2-3秒从演示效果看，准确性、复杂场景的处理、声音情绪的表达、语音克隆音色转换的效果相对都还可以性能上，语音到语音翻译，中英互译平均翻译质量到了66.3分，接近专业真人同传水平延迟上，语音到文本输出首字平均延迟2.21秒，语音到语音输出延时2.53 秒功能上支持实时声音复刻，复刻不同说话人的音色擅长多人对话、非流利语音以及长音频场景对绕口令、诗词、美食文化等可相对自然互译 #AI同传 #SeedLiveInterpret #字节同传

AIGCLINK

37,380 subscribers

78,545 次观看 • 1 年前 •via X (Twitter)

科学技术教育

Anya Rossi• Live Now

Private livecam show

12 条评论

AIGCLINK 的头像

AIGCLINK1 年前

体验地址：技术报告：

Winnerineast 的头像

Winnerineast1 年前

以后可以把苹果的logo遮一下，国际惯例。

goodhawk 的头像

goodhawk1 年前

体验后不行. 都没法操作.

DoRaGon 的头像

DoRaGon1 年前

太早期了，像个小demo产品。

哈世链闻的头像

哈世链闻1 年前

对话神器666

David Wu 的头像

David Wu1 年前

2-3秒？延迟大

OSDev 的头像

OSDev1 年前

rst @readwise save thread

DeepLove 的头像

DeepLove1 年前

emmm

ken lu 的头像

ken lu1 年前

@readwise save thread

Jason傑森 🇭🇰 | 🛠️ 的头像

Jason傑森 🇭🇰 | 🛠️1 年前

这波翻译有点东西啊 @shoutdotfun $ENERGY $SHOUT $FAN $Bane

iCoder 的头像

iCoder1 年前

这个功能，使用最近李沐开源那个模型，就能做到了

Erimus 的头像

Erimus1 年前

笑话这种需要上下文的东西，没有听到后半段，怎么能正确地翻译前半段呢？除非是有些旧笑话一听开头就知道全文。

相关视频

酷，新出的一款端到端AI语音模型：Voila，全双工能同时听和说，低延迟，预置了一百万种语音还支持ASR、TTS以及多语言语音翻译端到端架构，支持全双工的低延迟对话，延迟195毫秒，超人类平均响应时间能实时自主对话，持续聆听、推理以及主动回应，通过文本指令可以定义说话者的身份以及语气等特征 #语音模型 #Voila #TTS #ASR

酷，新出的一款端到端AI语音模型：Voila，全双工能同时听和说，低延迟，预置了一百万种语音还支持ASR、TTS以及多语言语音翻译端到端架构，支持全双工的低延迟对话，延迟195毫秒，超人类平均响应时间能实时自主对话，持续聆听、推理以及主动回应，通过文本指令可以定义说话者的身份以及语气等特征 #语音模型 #Voila #TTS #ASR

AIGCLINK

37,817 次观看 • 1 年前

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译直接从源语音到目标语音，无需中间步骤，处理延迟低源语音和目标语音时长保持一致，可以避免口型不同步问题项目： github： #AI实时翻译 #TransVIP

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译直接从源语音到目标语音，无需中间步骤，处理延迟低源语音和目标语音时长保持一致，可以避免口型不同步问题项目： github： #AI实时翻译 #TransVIP

AIGCLINK

56,071 次观看 • 1 年前

阿里刚刚放出了下一代实时同声传译模型：Qwen3.8-LiveTranslate，字均延迟从2.8秒压到2.3秒，支持60种语言如果延迟稳定压到2.3秒这个水平，并且在多说话人、长音频场景下DER可控，那会议、展会、跨境电商谈判等大量这种“够用就行”的场景可能会率先被AI接管它这版做了架构重造，把同传重构为了音频—文本交织的单流形式，已听音频和已出译文都可缓存复用，从效果看整体翻译的忠实度、流畅度还可以另外增加了三个新能力，实时说话人分离、原文译文同帧同出双语同屏、长上下文消歧比如说多人轮流发言的场景，它知道每句话是谁说的，译文用的还是那个发言人的音色原文译文同屏对照，这个相当于可以随时对账，翻译最大的疑虑就是“是不是给我漏了、翻歪了”，有同屏那就省心很多 #AI同传 #QwenLiveTranslate

阿里刚刚放出了下一代实时同声传译模型：Qwen3.8-LiveTranslate，字均延迟从2.8秒压到2.3秒，支持60种语言如果延迟稳定压到2.3秒这个水平，并且在多说话人、长音频场景下DER可控，那会议、展会、跨境电商谈判等大量这种“够用就行”的场景可能会率先被AI接管它这版做了架构重造，把同传重构为了音频—文本交织的单流形式，已听音频和已出译文都可缓存复用，从效果看整体翻译的忠实度、流畅度还可以另外增加了三个新能力，实时说话人分离、原文译文同帧同出双语同屏、长上下文消歧比如说多人轮流发言的场景，它知道每句话是谁说的，译文用的还是那个发言人的音色原文译文同屏对照，这个相当于可以随时对账，翻译最大的疑虑就是“是不是给我漏了、翻歪了”，有同屏那就省心很多 #AI同传 #QwenLiveTranslate

AIGCLINK

89,605 次观看 • 13 天前

阿里今天还放出来一款实时多模态同传模型：Qwen3-LiveTranslate-Flash，具备视觉能力，能听能看，3秒延迟可实时翻译能识别18语言和粤语、北京话、四川话等6种方言，能说10种语言引入了视觉上下文增强技术，可以识别口型、动作、文字、实体，解决在嘈杂音频环境，或者是一词多译词场景下的翻译问题中英及多语言语音翻译准确度优于Gemini-2.5-Flash、GPT-4o-Audio-Preview、Voxtral Small-24B #AI同传 #Qwen3同传 #AI实时翻译

阿里今天还放出来一款实时多模态同传模型：Qwen3-LiveTranslate-Flash，具备视觉能力，能听能看，3秒延迟可实时翻译能识别18语言和粤语、北京话、四川话等6种方言，能说10种语言引入了视觉上下文增强技术，可以识别口型、动作、文字、实体，解决在嘈杂音频环境，或者是一词多译词场景下的翻译问题中英及多语言语音翻译准确度优于Gemini-2.5-Flash、GPT-4o-Audio-Preview、Voxtral Small-24B #AI同传 #Qwen3同传 #AI实时翻译

AIGCLINK

48,830 次观看 • 1 年前

阿里发布 Qwen3.8-LiveTranslate实时语音翻译模型：一边听、一边译、一边说这次升级集中在四项能力：分清谁在说话：流式区分多位说话人，并让译文语音尽量保留各自音色；原文译文同步出现：同一条数据流同时返回源语言识别结果与目标语言译文，便于字幕核对与内容整理；用前文和画面消歧：结合长上下文与静态图像帧，处理指代、专名和同音词；减少流式等待：把音频和文字交替放进同一条处理流，复用已经听过的音频和已经生成的译文；在 FLEURS 测试中，译文平均落后原话的时间从上一代的 2.8 秒降到 2.3 秒。种支持与覆盖范围系统对不同语种提供三种能力：音频输入 · 60 种：可以把这些语言作为源语音送入模型；文字输出 · 60 种：可以返回这些目标语言的翻译文本；语音输出 · 29 种：只有这个子集可以进一步合成目标语言语音。

阿里发布 Qwen3.8-LiveTranslate实时语音翻译模型：一边听、一边译、一边说这次升级集中在四项能力：分清谁在说话：流式区分多位说话人，并让译文语音尽量保留各自音色；原文译文同步出现：同一条数据流同时返回源语言识别结果与目标语言译文，便于字幕核对与内容整理；用前文和画面消歧：结合长上下文与静态图像帧，处理指代、专名和同音词；减少流式等待：把音频和文字交替放进同一条处理流，复用已经听过的音频和已经生成的译文；在 FLEURS 测试中，译文平均落后原话的时间从上一代的 2.8 秒降到 2.3 秒。种支持与覆盖范围系统对不同语种提供三种能力：音频输入 · 60 种：可以把这些语言作为源语音送入模型；文字输出 · 60 种：可以返回这些目标语言的翻译文本；语音输出 · 29 种：只有这个子集可以进一步合成目标语言语音。

小互

28,676 次观看 • 13 天前

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

AIGCLINK

52,501 次观看 • 2 年前

阿里的新项目，从文本实时生成同步的说话人视频项目：OmniTalker，音视频同步和风格一致上效果比较好端到端的统一框架，可以同时生成语音和视频内容，实现音视频同步输出，避免了不同步问题可以从单个参考视频中捕获语音和面部风格，支持零样本场景下的风格复制 25帧/秒的推理速度，0.8B参数支持中英文互转，支持情感表达，比如平静、快乐、悲伤、愤怒等等情绪。支持长时间视频生成 #说话人视频生成 #OmniTalker

阿里的新项目，从文本实时生成同步的说话人视频项目：OmniTalker，音视频同步和风格一致上效果比较好端到端的统一框架，可以同时生成语音和视频内容，实现音视频同步输出，避免了不同步问题可以从单个参考视频中捕获语音和面部风格，支持零样本场景下的风格复制 25帧/秒的推理速度，0.8B参数支持中英文互转，支持情感表达，比如平静、快乐、悲伤、愤怒等等情绪。支持长时间视频生成 #说话人视频生成 #OmniTalker

AIGCLINK

50,300 次观看 • 1 年前

ElevenLabs 推出了全新音视频编辑平台：Studio 3.0 一个界面内可进行 AI 语音合成、音频编辑、音效添加等全部工作它能做什么？ - 自动配音：输入文字，就能生成接近真人的自然语音，还能选择不同语言和音色。 - 语音转文字：把录音转成文本，适合做字幕或文稿。 - 声音克隆：模拟特定人的声音（常用于品牌或固定角色）。 - 背景音乐与音效生成：根据描述自动生成合适的配乐或音效。 - 多语言配音：上传视频或音频，自动翻译并生成对应语言的配音。 - 音频清理：去除噪音，提升录音质量。

ElevenLabs 推出了全新音视频编辑平台：Studio 3.0 一个界面内可进行 AI 语音合成、音频编辑、音效添加等全部工作它能做什么？ - 自动配音：输入文字，就能生成接近真人的自然语音，还能选择不同语言和音色。 - 语音转文字：把录音转成文本，适合做字幕或文稿。 - 声音克隆：模拟特定人的声音（常用于品牌或固定角色）。 - 背景音乐与音效生成：根据描述自动生成合适的配乐或音效。 - 多语言配音：上传视频或音频，自动翻译并生成对应语言的配音。 - 音频清理：去除噪音，提升录音质量。

小互

22,976 次观看 • 1 年前

GPT-Realtime-2 语音模型发布语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

GPT-Realtime-2 语音模型发布语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

小互

31,189 次观看 • 4 个月前

MaskGCT：一个新的零样本文本到语音（TTS）模型支持跨语言翻译配音、语音克隆、语言转换、情感控制等与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。支持对语音生成的多样性和情感控制以及对通过文本对音频内容进行实时可控编辑。同时模型大幅降低了推理时间，适合实时应用。

MaskGCT：一个新的零样本文本到语音（TTS）模型支持跨语言翻译配音、语音克隆、语言转换、情感控制等与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。支持对语音生成的多样性和情感控制以及对通过文本对音频内容进行实时可控编辑。同时模型大幅降低了推理时间，适合实时应用。

小互

49,431 次观看 • 1 年前

今天，我们迈向打破语言隔阂的新里程碑。我们自豪地推出了 #Felo同声传译 App，您的可靠的 #同声传译助手当您与外国人面对面交谈时，它能提供： 🔄 双向翻译 ⚡ 准确实时 🌍 9种语言 🔊 语音/📝 文字翻译选项请观看效果视频🎥，欢迎大家使用并提供反馈👍。我们期待听到您的声音！ #buildinpublic

今天，我们迈向打破语言隔阂的新里程碑。我们自豪地推出了 #Felo同声传译 App，您的可靠的 #同声传译助手当您与外国人面对面交谈时，它能提供： 🔄 双向翻译 ⚡ 准确实时 🌍 9种语言 🔊 语音/📝 文字翻译选项请观看效果视频🎥，欢迎大家使用并提供反馈👍。我们期待听到您的声音！ #buildinpublic

Jeffery Kaneda　金田達也

204,036 次观看 • 3 年前

一款基于Gradio Web UI的语音识别、翻译和TTS的语音一体化处理工具：Voice-Pro，支持实时转录、翻译，一键安装特点： 1、提供YouTube下载器、噪音去除、字幕、翻译和TTS的集成环境 2、支持100种语言的语音识别和字幕创建，可翻译成100多种语言并通过TTS生成语音，可调整TTS语音速度、音量和音调 3、原始视频的背景音乐和音效在多语言视频中保持不变 4、支持批量处理 github： #AI视频转录 #Voice #视频翻译

一款基于Gradio Web UI的语音识别、翻译和TTS的语音一体化处理工具：Voice-Pro，支持实时转录、翻译，一键安装特点： 1、提供YouTube下载器、噪音去除、字幕、翻译和TTS的集成环境 2、支持100种语言的语音识别和字幕创建，可翻译成100多种语言并通过TTS生成语音，可调整TTS语音速度、音量和音调 3、原始视频的背景音乐和音效在多语言视频中保持不变 4、支持批量处理 github： #AI视频转录 #Voice #视频翻译

AIGCLINK

42,454 次观看 • 1 年前

📢：好消息 Qwen3-TTS 正式开源全能语音生成、语音克隆与音色设计模型评测中，达到全球开源 TTS 模型的新的 SOTA 支持10种语言，而且只有97毫秒延迟 🧬克隆声音：3秒音频，就能复刻出你的音色 🎙️ 自定义音色：你说“来个温柔女声”或“做成热血旁白”，它立刻生成； 🗣️ 自然情绪控制：能听懂文字里的语气，比如“愤怒”、“悲伤”、“调皮”； 🌍 多语言支持：能说中、英、日、韩、法、德、西、俄、葡、意共10种语言； ⚡ 实时响应：输入一个字，它就开始说，延迟低至 97毫秒，几乎实时

📢：好消息 Qwen3-TTS 正式开源全能语音生成、语音克隆与音色设计模型评测中，达到全球开源 TTS 模型的新的 SOTA 支持10种语言，而且只有97毫秒延迟 🧬克隆声音：3秒音频，就能复刻出你的音色 🎙️ 自定义音色：你说“来个温柔女声”或“做成热血旁白”，它立刻生成； 🗣️ 自然情绪控制：能听懂文字里的语气，比如“愤怒”、“悲伤”、“调皮”； 🌍 多语言支持：能说中、英、日、韩、法、德、西、俄、葡、意共10种语言； ⚡ 实时响应：输入一个字，它就开始说，延迟低至 97毫秒，几乎实时

小互

47,704 次观看 • 8 个月前