#Speech-to-Text
共 39 篇相关文章
·8 分钟
SayIt：开源AI语音输入工具，支持本地部署与自定义润色
SayIt是一款开源AI语音输入工具，支持本地模式、云API及服务器三种部署方式，兼容DeepSeek、通义千问等主流大模型，可自定义润色Prompt，是Typeless的理想自托管替代品。
阅读全文 →
·9 分钟
AI外呼语音代理横评：无代码 vs 写代码，六大平台实测对比
资深从业者历时六个月实测Plura AI、Synthflow、Bland AI、Retell AI、Vapi、Air AI六大AI外呼语音代理平台，从营销人员视角出发，解析无代码与开发者工具的核心差异，帮你找到最适合团队的选型方案。
阅读全文 →
·21 分钟
Spring AI实战：ChatModel到RAG应用开发完整指南
全面解析Spring AI核心模块：ChatModel对话、EmbeddingModel向量化、RAG检索增强生成、Tool Calling工具调用及MCP协议。Java开发者快速接入DeepSeek、ChatGPT等大模型的实战教程，涵盖Milvus向量数据库与Ollama本地模型集成。
阅读全文 →
用Cloudflare Workers AI免费搭建Whisper语音转写工具
·15 分钟
用Cloudflare Workers AI免费搭建Whisper语音转写工具
基于Cloudflare Workers AI的开源语音转写工具，无需GPU、零运维成本，免费额度即可运行Whisper模型。适合独立开发者和小团队快速实现语音转文字功能，本文详解技术架构、适用场景与局限。
阅读全文 →
·7 分钟
为5岁孩子打造实时AI家教：技术挑战与教育平衡完全解析
探索为学龄前儿童构建实时AI家教的核心挑战：低延迟语音交互、儿童ASR识别、内容安全护栏，以及AI如何在幼儿教育中扮演引导者角色而非答案机器。
阅读全文 →
·5 分钟
语音转文字总出错？混乱录音转录优化实战指南
会议录音、混合语言、背景噪音导致语音转文字漏词或乱码？本文深度解析ASR幻觉问题成因，提供音频预处理、Whisper参数调优、多语言转录等实用解决方案，帮你大幅提升转录准确率。
阅读全文 →
·12 分钟
LangChain四大更新：OpenWiki、语音智能体与子智能体编排全解析
LangChain密集发布四项核心功能：OpenWiki自动生成代码库文档、两套语音智能体教程、Harbor长时评估集成，以及deepagents可编程子智能体。本文逐一拆解每项功能的技术原理与应用场景，助力开发者快速掌握智能体全链路开发能力。
阅读全文 →
·10 分钟
硬件级控制手机AI Agent：用HDMI+USB HID绕开软件限制
一个开源项目通过HDMI采集屏幕画面、USB HID模拟触控输入，实现无需root、无需App的手机AI Agent硬件控制方案。本文解析其核心原理、技术优势与现实局限，探讨外部硬件控制是否是移动智能体的可行方向。
阅读全文 →
·11 分钟
Agent Draw：用语音驱动AI白板，边说边画的智能绘图助手
Agent Draw是基于TLDraw开源引擎构建的AI白板工具，支持语音或文字输入，由AI智能体实时在画布上生成流程图、架构图等可编辑图形。本文深度解析其技术原理、交互设计与应用场景。
阅读全文 →
·14 分钟
AI Agent落地真正风险：不是失控，而是太听话
一个客服AI Agent项目的真实翻车案例揭示：Agent落地最大的风险不是"不听话"，而是忠实执行了没想清楚的目标。本文深度拆解Agent与传统自动化的本质差异、行业数据警示，以及落地前必须做好的边界管控原则。
阅读全文 →
·9 分钟
XiaoWu语音输入法：本地大模型驱动，离线也能精准识别
XiaoWu是一款完全本地运行的AI语音输入法，基于本地大语言模型实现高精准语音识别、智能标点添加和极简交互设计。无需联网，保护隐私，支持一键安装，适合高频文字输入场景。
阅读全文 →
·10 分钟
OpenLLMVTuber：开源AI虚拟人框架深度解析
深度解析GitHub 10K星标开源项目OpenLLMVTuber，一套集成语音识别、大语言模型、语音合成与Live2D角色的AI虚拟人框架，支持语音打断、视觉感知、桌面陪伴等功能，模块化架构可灵活替换各层组件。
阅读全文 →
·11 分钟
Claude Code自动剪辑视频：从素材到成片全流程实操指南
详解如何用Claude Code搭配开源项目VideoIn实现视频自动剪辑，涵盖环境搭建、音频提取、字幕生成、转场效果到成片输出的完整流程，帮助创作者将剪辑时间从数小时压缩到分钟级别。
阅读全文 →
产品体验·5 分钟
语音指挥Claude Code：告别打字的AI编程新体验
介绍Cloud Code启动器的语音输入功能，将口语化表达智能翻译为精确编程指令，支持5分钟录音、自动过滤语气词、模糊描述转精确参数，让开发者开口就能指挥AI编程。
阅读全文 →
产品体验·6 分钟
Dogra：开源自托管语音AI平台，告别VAPI天价账单
Dogra是一款开源自托管语音AI平台，提供可视化工作流构建器、多服务商自由切换和完整调用追踪能力。对比VAPI、Bland等托管平台，Dogra帮助开发者大幅降低语音Agent成本，摆脱供应商锁定，实现完全可控的语音AI部署。
阅读全文 →
教程攻略·7 分钟
Codex五分钟开发免费音频转字幕工具：替代剪映SVIP实战
剪映字幕识别升级为SVIP专属？用OpenAI Codex搭配Whisper模型，5分钟从零开发免费音频转字幕工具。完整拆解Plan模式规划、代码生成、调试到Web界面的全流程，附实用AI编程协作技巧。
阅读全文 →
教程攻略·8 分钟
LocalAI教程：无需GPU本地部署大模型，Docker一键搞定
详解LocalAI本地部署教程，无需GPU即可运行近千种开源大模型。通过Docker一键部署，兼容OpenAI API接口，支持对话、文生图、语音等多模态功能，数据完全本地化，隐私安全有保障。
阅读全文 →
产品体验·8 分钟
Open WebUI：13万Star开源AI界面，部署教程与功能全解析
深度解析Open WebUI这款13.5万Star的开源AI交互界面，涵盖Ollama集成、Docker一键部署、RAG文档问答、多用户管理等核心功能，助你快速搭建本地AI助手或企业AI平台。
阅读全文 →
