在人类的想象中，「Any-to-Any」是真正属于未来的人与 AI 交互方式。AI 能做到接收文本、音频和图像的任意组合作为输入，并实时生成文本、音频和图像的任意组合输出。 与传统的 ASR + LLM + TTS 的级联方案相比，端到端模型以音频 token 的形式直接建模语音，在 ...

今年 5 月，OpenAI 发布了多模态大模型 GPT-4o，其能够从文本、音频和图像等多方面感知并理解输入信息，就像拥有了一整套感官。 今天，在 CNCC2024 大会上，智谱也推出了他们在多模态领域的最新成果——端到端语音模型 GLM-4-Voice，让人和机器的交流能够以自然 ...

实现智能、类似人类的端到端语音聊天。 今年 10 月，智谱在 CNCC2024 大会上推出了他们在多模态领域的最新成果——端到端情感语音模型 GLM-4-Voice，让人和机器的交流能够以自然聊天的状态进行。 据介绍，GLM-4-Voice 能够直接理解和生成中英文语音，进行实时语音 ...

今年 10 月，智谱在 CNCC2024 大会上推出了他们在多模态领域的最新成果——端到端情感语音模型 GLM-4-Voice，让人和机器的交流能够以自然聊天的状态进行。 以下为他们在官方 GitHub 上给出的 demo。 先用北京话念一句绕口令： 加速！加速！ 再加速！ 据介绍，GLM-4 ...

STMicroelectronics has announced an MPEG layer 3 audio decoder chip that also includes an embedded ADPCM (adaptive differential pulse code modulation) codec to allow voice recording and playback.