语音交互

Open-LLM-VTuber本地部署教程：大模型、语音交互、Live2D与远程访问我对“只在聊天框里回复文字”的AI,新鲜感其实已经过去了.真正让我想继续折腾的,是能不能把它变成一个更像“角色”的东西:我说话,它能听懂;它回复时有声音;屏幕上还有Live2D形象和表情,而不是每次都盯着一排文字气泡.Open-LLM-VTuber正好把这些能力接到一起.大模型负责对话,语音识别负责听,TTS负责说,Live2D负责把回应表现出来.这样AI 不只是“能答问题”,而是开始有了一点具体的交互感.部署时我选了Web版,因为我不想它只能锁在一台电脑上.本地先把大模型、语音和角色跑通,再把访问入口补

语音芯片有哪些类型从播报到语音交互一文说清同样是语音芯片，报价能从几毛钱差到几十块。很多没接触过的工程师第一反应是不就是哥播报芯片吗怎么加个差这么多？其实根本原因是语音芯片的类型根本不同。让电饭煲播一句米饭好了，用OTP芯片几毛钱就够；让机器人听懂人话再聊两句，那得AI离在线识别方案上场。不同的项目需求，需要用不同的语音IC来进行开发。

Gemini 3.8 Live凌晨登场、Vidu S2全量开放：语音与视频同周跨入实时时代，两条管线何时并成一条？9月15日深夜，生数科技发布Vidu S2双模型并在当天全量开放在线体验与API；几个小时后，也就是9月16日凌晨，谷歌发布Gemini 3.8实时对话模型，推出Gemini 3.8 Live和Gemini 3.8 Live Extended Thinking两款型号；同一时间，阶跃星辰的StepAudio 3系列语音模型在Artificial Analysis对话动态榜上以98.9%的得分登顶全球第一。再加上智象未来9月15日发布的原生全模态视频生成模型，短短48小时内，语音和视频两条赛道几乎同时跨过了

DeepSeek 语音对话灰度上线：四种音色背后的端侧 AI 交互架构与商业逻辑核心结论：9 月 12 日，DeepSeek App 开始灰度测试 AI 语音对话——不是"语音转文字"的伪语音，而是真正双向的"你开口、它开口"，并提供四种音色（贝壳、白浪、海星、暗潮）。对行业而言，这意味着以文字推理著称的 DeepSeek 正式向全场景语音交互迈进；对架构师而言，语音对话链路（ASR→意图→LLM→TTS→流式传输）是端侧 AI 软硬一体化的下一个主战场；对决策者而言，语音正在成为大模型的超级入口，端侧价值开始重估。

【口算王｜10】HarmonyOS ArkTS 语音报题实战：协调朗读、作答和页面生命周期给练习页加一个“点击播放”入口并不难，难的是让语音状态与题目状态保持一致。用户可能在引擎初始化期间关闭弹窗，可能连续点击两道题，也可能在朗读尚未结束时退出页面。如果代码只调用一次 speak()，没有处理停止、完成、错误和页面销毁，上一题的声音就可能在下一题继续播放，甚至页面退出后仍占用语音引擎。

OpenHarmony 小鸿 AI 开发实战 10：CI1302 语音上行的 UART 帧、Opus 与 VADCI1302 不是把一段 WAV 文件一次性交给 WS63。它通过 UART2 连续发送带帧头、命令字、payload 长度和帧尾的协议帧：唤醒事件触发会话，0x0105 携带一小帧 Opus，0x0106 表示本段 VAD 结束。WS63 在中断回调里只收字节，在任务中解析，再把 Opus 交给 Agent 通过 WebSocket 上行。

离线转记实战：多轮对话、语音交互与记忆管理问题解决方案最近在迭代熙瑾会悟（离线转记）产品功能时，重点攻坚了离线场景下实时问答、语音助手交互、多轮对话连贯性以及AI记忆管理四大核心模块。离线场景和在线云端场景最大的区别在于：无云端算力兜底、网络延迟为0但本地算力受限、上下文存储轻量化要求极高。

带娃的IT创业者

开源语音AI的边界：从 `luongnv89/claude-howto` 看前沿技术的落地实践在AI技术飞速迭代的2025年，语音交互早已不再是简单的“你说我听”。随着大语言模型（LLM）能力的跃迁，前沿的语音AI正在向“情感理解”、“多轮对话”、“实时推理”等更深层次迈进。最近，一个名为 luongnv89/claude-howto 的开源项目在GitHub上悄然走红，它并非一个全新的模型，而是一套详尽的“实践指南”——教你如何利用Claude等前沿模型，构建具备“人味”的语音助手。

2023-09-25：ChatGPT 从纯文本走向多模态交互，看、听、说能力意味着什么？2023 年 9 月 25 日，ChatGPT 迎来了一个非常重要的能力节点：开始逐步支持“看、听、说”能力。

【应用方案】语音 + 触控 + 灯效融合，AI 线控器重构智能家电交互体验在智能家居、家电设备飞速普及的当下，线控器作为人与设备交互的核心入口，长期以来多以“实用工具”的身份默默存在——机械按键的刻板操作、有限的功能边界，让它始终难以突破“基础控制”的局限。而随着端侧AI技术的指数级爆发，这场智能化变革正悄然渗透到每一个终端设备，曾经“默默无闻”的线控器，也迎来了从“能用”到“好用、智能、有温度”的跨越式升级。

人机交互的6个阶段人机交互的6个阶段穿孔纸带是计算机的输入和输出设备穿孔纸带（Punched Tape），又称穿孔带，是早期计算机及机械设备的存储介质与指令载体，包含五孔与八孔两种制式。该设备通过有无孔洞表示二进制数据（带孔为1，无孔为0），应用于电传打字机通讯、数控机床指令传输、光电输入机数据转换及织布机编码控制领域

深圳启明云端科技

ESP-Skainet智能语音助手，ESP32-S3物联网方案，设备高效语音交互在科技飞速发展的今天，智能语音助手正逐渐渗透到我们生活的方方面面，而智能语音助手凭借其卓越的技术优势，成为了智能生活领域的一颗璀璨明星。

聆思科技AI芯片

详解用大模型超拟人语音做桌面AI宠物/机器人的个性化能力本文基于前面已经落地的CSK6大模型语音视觉开发板的配套示例功能来进行讲解，超拟人交互效果可以参考视频：

正在走向自律

让 Agent 具备语音交互能力：技术突破与应用前景（16/30）在当今数字化时代，人机交互方式正经历着深刻的变革。从早期的命令行界面到图形用户界面，再到如今日益普及的语音交互，人们对于与机器沟通的便捷性和自然性有了更高的追求。Agent 作为一种能够自主执行任务、与环境进行交互的智能实体，赋予其语音交互能力具有重要的现实意义和广阔的应用前景。这不仅可以提升用户体验，使人们能够更加自然、流畅地与 Agent 进行沟通，还能拓展 Agent 的应用场景，如智能家居、智能客服、智能车载系统等领域，让智能服务更加贴近人们的生活和工作。

聆思科技AI芯片

实操给桌面机器人加上超拟人音色前面我们讲了怎么用CSK6大模型开发板做一个桌面机器人充当AI语音助理，近期上线超拟人方案，不仅大模型语音最快可以1秒内回复，还可以让我们的桌面机器人使用超拟人音色、具备声纹识别等能力，本文以csk6大模型开发板为例实操怎么把超拟人音色用起来。

Linux麦克风录音实战在 Linux 上使用麦克风进行录音可以通过多种方式实现，包括使用命令行工具、图形界面应用程序以及编程接口。下面我将介绍几种常见的方法，从简单的命令行工具到使用 PortAudio 库进行编程。

启明云端wireless-tag

智能儿童对讲机语音交互，乐鑫ESP-RTC音视频通信，ESP32无线语音方案儿童对讲机一种专为孩子们设计的通讯设备，可以让父母与孩子之间进行双向通讯，增强亲子关系，增强孩子的可玩性。

启英泰伦推出「离线自然说」，离线语音交互随意说，不需记忆词条离线语音识别是指不需要依赖网络，在本地设备实现语音识别的过程，通常以端侧AI语音芯片作为载体来进行数据的采集、计算和决策。但是语音芯片的存储空间有限，通过传统的语音算法技术，最多也只能存储数百条词条，导致用户只能使用固定的词条来控制设备，大大降低了用户与设备之间的语音交互体验。

最优的家电设备交互方式是什么？详解家电设备交互的演进之旅家电，在人们的日常生活中扮演着不可或缺的角色，也是提升人们幸福感的重要组成部分，那你了解家电的发展史吗？

我是有底线的