语音助手回话时，声音是跟着它”边想边说”一起出来的，不是等它把整段话想完才开口，这就是流式语音合成（Streaming TTS）在干活。它跟”先生成一整段完整音频、…

打电话的时候对方一边说话，字幕一边往外蹦，这就是流式语音识别（Streaming ASR）在干活。它跟”录完一段音再整体转文字”的离线识别是两码事，流式识别不等你说完，音频进来…

单模态模型（Unimodal Model）只能处理一种形式的输入数据，纯文本、纯图像或纯语音；多模态模型（Multimodal Model）则能同时处理两种及以上形式的数据，并在它们之间建立关联。 一…

多模态模型（Multimodal Model）是指能够同时接收、理解并生成两种及以上不同形式数据（如文本、图像、语音、视频）的 AI 模型。与之相对的是”单模态模型”，只能处理…

“声纹识别”和”声纹锁定”这两个词经常出现在同一篇文章、同一个产品介绍里，名字也很像，很容易被默认成同一种技术的两种叫法。但两者要解决的问题完全不同：声…

声纹识别落地到具体产品里，第一个要做的技术决策往往不是”用哪家的算法”，而是”要不要让用户配合”。这个选择对应着声纹识别的两种基本模式：有感声纹（Act…

在银行客服电话里被要求”请跟我念一遍：我是尾号1234的用户”，或是在某些 App 里注册时被提示”请朗读屏幕上的数字”——这类需要用户主动开口配合、按…

智能音箱不需要你先说一句”验证一下”就能听出是家里哪个人在说话，客服系统在你打进电话的那一刻就已经悄悄识别出你是不是老客户——这种不需要用户主动配合、在自然说话过程中静默完成识…

RTOS 是 Real-Time Operating System 的缩写，中文通常叫实时操作系统。很多人第一次看到这个词，会下意识把“实时”理解成“运行速度更快”。这个理解不太准确。RTOS 真正在…

AI 外呼是用一套能听、能理解、能开口回应的系统去打电话，而不是让人工坐席一个个拨号。自动拨号本身不是新技术，二十年前的预测式外呼系统就能批量拨打号码。变化发生在电话接通之后：机器能不能听懂对方在说什…

如果你让一台传统机器人”把桌上的红色杯子递给我”，它大概率会宕机，因为没有事先给它写好”识别红色杯子”和”递东西”这两个动作的程…

如果你最近在关注机器人、AI 硬件或者智能设备赛道，一定已经被这三个词轮番轰炸过：Physical AI、具身智能、具身大模型。它们频繁出现在同一篇报道里，有时候指的像是同一件事，有时候又感觉在说完全…