OpenAI可能会推出Jarvis一样的个人助理 新商标Voice Engine信息汇总

OpenAI可能会推出Jarvis一样的个人助理 新商标Voice Engine信息汇总 尽管这是商标申请，但是Google前雇员透露的信息以及上个月泄露的OpenAI正在开发的Agent产品都似乎印证着OpenAI要做的事情：开发一个全球最强的个人助理，接管个人设备，以Jarvis那样的形式提供服务！Voice Engine商标内容Voice Engine是OpenAI最近提交一个商标名称，其内容主要包含了语音识别和语音合成相关的内容。这个商标背后可能提供的产品和服务涵盖了广泛的计算机软件和开发工具领域，特别是在语音和自然语言处理技术方面。具体来说，可能提供的产品和服务包括但不限于：自动语音识别和生成软件：用于自动识别和生成语音的软件，可能在虚拟助手、智能家居设备等场景中有广泛应用。基于自然语言提示生成语音和音频输出的软件：这类软件能够根据文本、语音、视觉提示、图像或视频生成语音和音频输出，可用于各种应用，如内容创作、教育、娱乐等。注意，这不是文本转语音，而是根据文本提示生成语音结果！数字语音助手开发工具：提供用于构建数字语音助手的软件和开发工具，有助于开发者创建智能交互应用。虽然是工具，但是显然这是可以用于开发个人助理的工具！响应用户提示生成音频或语音的软件：这类软件能够根据用户的提示生成相应的音频或语音输出，可能用于互动媒体、游戏或其他应用中。这个目前在ChatGPT客户端也有了，就是用语音响应用户输入。机器学习基础的自然语言和语音处理软件：涉及使用机器学习技术进行自然语言和语音的处理、识别和分析的软件。多语言语音识别、翻译和转录软件：支持多语言的语音识别、翻译和转录功能的软件，适用于国际化应用、内容创作等场景。应用程序接口（API）软件和软件开发套件（SDKs）：提供可作为API使用的软件，可能支持开发者在各种应用和服务中集成语音和自然语言处理功能。综上所述，VOICE ENGINE™旨在为开发者和创新者提供一系列强大的工具和软件，以便在各种平台和设备上开发和集成先进的语音交互和自然语言处理功能。而这其中最令人关注的应该是下面的2个内容：一个是可以配合Sora视频生成的功能，为视频配音；另一个则是作为个人助理，支持语音交互！为Sora视频配音的语音生成功能传统的语音领域的模型主要方向包括2类：一个是语音合成，即Text to speech（TTS）：将文本转成语音。另一个是自动语音识别（Auto Speech Recognition，ASR），即识别语音转成文本。但是，根据这个描述响应用户提示生成音频或语音的软件，这个能力应该是类似视频生成和图片生成那种，基于文本prompt，来生成相应的语音结果。例如，你可以给系统说，生成一段音乐或者一只老虎在野外和狮子战斗的声音。然后模型返回相应的语音结果。这不是一种文本转语音而是语音生成的能力。在最近爆火的OpenAI的Sora演示中（OpenAI最强的视频生成大模型： OpenAI发布全新文本生成视频大模型Sora，可以生成无比逼真的最长60秒的视频，且生成的视频尺寸可以任意指定），所有的视频都没有声音。OpenAI官方说目前他们还没有实现为生成的视频配音的功能。但是未来会支持。这意味着基于文本生成音频应该也是类似的技术了。与Agent传言互相印证：OpenAI的Jarvis产品在前面的商标描述中提到，OpenAI的Voice Engine可以提供响应用户提示生成音频或语音的软件。这几乎就是一个个人数字助理的形态，它不同于语音合成或者语音识别。而是根据用户的输入进行语音的响应。这意味着用户可以通过文本、语音来输入，然后服务直接用语音回复结果。从技术角度来说，传统的语音助理应该是先通过ASR识别用户的语音，然后转成文本，GPT再根据文本生成答案，再由TTS技术合成语音输出。这个分步系统最大的缺点就是时延以及准确性！三个步骤，每个步骤准确率90%，最终的回复准确率可能只有72.9%了！如果这是一个端到端的模型（符合OpenAI当前的技术趋势），那么时延和准确性都值得期待！此外，结合此前的传言说GPT可能要接入个人本地电脑系统，那作为一个个人助手完全是没问题的。同时，Google前雇员Jonathan Chavez在前段时间也发布过一个消息，他说OpenAI在今年会推出一个全球最好的个人助理产品，就像钢铁侠中的Jarvis。Jarvis除了需要有GPT-4那种强大的语言响应能力外，还有个重要的特点是语音的输入和输出。虽然在当前的ChatGPT客户端和网页版中已经实现了语音交互以及文本转语音的能力。但是，它本身是为了支撑ChatGPT的功能存在的，范围局限在ChatGPT的对话过程中。一旦如果像Jonathan Chavez所说是一个前所未有最强大的个人助理，那么意味着它可以帮助我们操作我们的电脑和手机，使用APP等。这个消息和上个月泄露的OpenAI正在做一个强大的AI Agent也有很大的相关性：OpenAI正在开发一个全新的基于大模型的Agent产品。在这个传言中，OpenAI做的事情描述如下：OpenAI正在开发的这个Agent形式的产品，通过有效地接管用户的设备来让复杂任务被自动执行。然后，用户可以请求ChatGPT将数据从文档转移到电子表格中进行分析，或自动填写费用报告并将其输入会计软件。这类请求将触发ChatGPT来执行点击、光标移动、文本输入以及人们在使用不同应用程序时进行的其他操作。 ... PC版： 手机版：

创建之后首先需要填写前面的变量Key和字段名称，变量key需要英文。后面的可选开启之后这个字段就会是选填的。之后我们需要点击操作

创建之后首先需要填写前面的变量Key和字段名称，变量key需要英文。后面的可选开启之后这个字段就会是选填的。之后我们需要点击操作栏的设置来设置变量内容。 变量包括两种内容一种是文本变量一种是下拉选项，文本的就是用户需要手动输入，下拉的话就是选择了。这里我们主要是不想用户手打命令，所以我们选择下拉选项。增加需要的选项就行。 之后就是使用变量了，我们需要把变量key用两个{}包起来填写到前缀提示词里。这里由于我们不想让GPT改用户选择的内容，我加了一句提示词“如实输出变量内容”。 之后就是使用变量了，我们需要把变量key用两个{}包起来填写到前缀提示词里。这里由于我们不想让GPT改用户选择的内容，我加了一句提示词“如实输出变量内容”。 好了到这里我们的应用就创建完成了，测试输出没问题以后点击右上角的发布按钮，你的应用就发布了。你你和用户可以通过公开访问URL的地址访问你的应用。可以在设置里设置应用名称以及简介、图标之类的内容。 这就是利用Dify创建一个简单AI应用的流程，你还可以通过生成的API把你的应用部署在其他平台或者更改它的UI。同时Dify还支持上传你自己的数据，比如你可以建一个客服机器人帮助你回答自己产品的相关问题。教程到这里就结束了，感谢 @goocarlos 创建了这么好的产品。

发现了一个交互非常有意思的AI写作工具，在写作每个阶段都单独优化了了AI介入的交互和形式。有这类应用开发计划的各位可以参考一下：

发现了一个交互非常有意思的AI写作工具，在写作每个阶段都单独优化了了AI介入的交互和形式。有这类应用开发计划的各位可以参考一下： 比如在新建了一个空文档之后会有一个很大的按钮引导你用AI起草大纲。 在正式写作的的时候界面不会有任何AI按钮干扰你你可以通过快捷键拉起一个输入框来输入提示，AI生成的内容会自动填充在你光标的位置。 如果你需要频繁的与AI互动的时候右侧会有一个对话的侧边栏来供你和AI进行多轮对话，还可以将右侧的AI输出内容拖放到左边的文章里，也可以替换某一段内容。 并且你所有的编辑历史也在里面，不用担心替换错内容后无法找回和重写。 整个界面的设计风格非常克制和干净，细节打磨也非常好。免费用户用的GPT-3.5，付费的话模型会变成GPT-4 链接： Invalid media:

Windows 11 版本 22621.3668 和 22631.3668 至预览体验频道

Windows 11 版本 22621.3668 和 22631.3668 至预览体验频道 此次更新包括以下重要功能和改进： 为中国地区的设备新增了 电脑管家。 共享窗口改进：防止意外关闭共享窗口，现在需手动点击右上角关闭按钮关闭窗口。 文件拖拽功能：可以使用鼠标在文件资源管理器地址栏的路径段之间拖动文件。 Microsoft Teams 集成：可以直接在共享窗口中共享到特定的 Microsoft Teams 频道和群聊。 新设置页面：在设置 > 帐户中新增了 “关联设备” 页面，管理 PC 和 Xbox 主机。 开始菜单帐户管理：推出新的帐户管理器，展示帐户权益并便于管理帐户设置。 QR 码生成：可以在共享窗口中为网页 URL 和云文件创建 QR 码。 声音设置备份：新增声音设置备份功能，可在新设备上恢复这些设置。 自发邮件功能：可以从共享窗口向自己发送电子邮件。 添加恢复电子邮件：在设置 > 帐户中新增 “立即添加” 按钮，添加恢复电子邮件地址。 修复了以下关键问题： 更改帐户头像时出现错误代码 0x80070520 的问题。 文件资源管理器在关闭边缘滑动后停止响应的问题。 使用笔时手写面板和触摸键盘未显示的问题。 基于 Chromium 的浏览器播放视频时屏幕部分失真的问题。 虚拟环境中 TWAIN 驱动程序停止响应的问题。 文件资源管理器启动时间长达两分钟的问题。 蓝牙低功耗音频耳机无法显示连接或断开选项的问题。 游戏栏中 USB 控制器上的共享按钮可能无法正常工作的问题。 感谢大家， Windows 预览体验计划团队 来源：

答应大家的AI歌手教程来了，手把手教你训练你自己的AI歌手，主要分为使用模型和训练模型两部分，这里是第一部分如何使用模型生成音乐

答应大家的AI歌手教程来了，手把手教你训练你自己的AI歌手，主要分为使用模型和训练模型两部分，这里是第一部分如何使用模型生成音乐的部分，主要介绍了音源的处理，模型的使用和后期音轨的合成。 看在藏师傅生病肝教程的份上希望各位多多支持，下面是具体步骤，图片顺序跟文字顺序对应 详细教程和文件下载可以看这里： 要使用模型进行推理的话你首先需要一段已经演唱好的声音垫进去，所以我们需要先对你垫进去的声音进行处理。 首先要安装UVR_v5.5.0，完成后我们需要给UVR增加一个模型解压UVR5模型文件将里面的两个文件夹粘贴到安装目录下的Ultimate Vocal Removermodels就行。 在处理之前你需要把你声音的格式转换成WAV格式，因为So-VITS-SVC 4.0只认WAV格式的音频文件，现在处理了后面会省事点。可以用这个工具处理：https:// 处理完音频文件后我们就要开始利用UVR去掉背景音了，一共需要过两次，每次的设置都是不同的，下面两张图分别是两次的参数。 接下来我们就要运行整合包的Web UI来推理声音了，如果你用的其他人的模型的话你需要先把模型文件放进整合包对应的文件夹下面： 首先是模型文件夹下面后缀为pth和pt的两个文件放到整合包的logs44k文件夹下。 之后是模型文件里那个叫config.json的json文件，放到整合包的configs文件夹下面。 接下来我们就可以运行整合包的Web UI了，打开整合包根目录下的【启动webui.bat】这个文件他会自动运行并打开Web UI的网页，经常玩Stable Diffusion的朋友肯定对这个操作不陌生。 下面就是Web UI的界面我们使用模型的时候主要用的是推理这个功能。 之后就是选择我们的模型，如果你刚才已经把模型放到合适的位置的话你现在应该能在下图的两个位置选择到你的模型和配置文件，如果有报错会在输出信息的位置显示。 选择完模型之后我们需要点击加载模型，等待一段时间Loading之后模型会加载完成。Output Message这里会输出加载的结果。之后就是上传我们处理好的需要垫的音频文件了，把文件拖动到红框位置就行。

F2是一个跨平台的命令行工具，用于快速安全地批量重命名文件和目录

F2是一个跨平台的命令行工具，用于快速安全地批量重命名文件和目录 F2帮助你通过批量重命名来组织你的文件系统，使你的文件和目录能够有一个一致的命名方案。它提供了一套全面的重命名选项，从简单的字符串替换到涉及正则表达式的更复杂的操作，都有很好的扩展性。 F2将正确性和安全性放在首位，确保重命名操作不会导致冲突或错误。在执行重命名操作之前，它运行了几个验证，并提供了一个简单的方法来自动修复任何发现的冲突。它支持所有标准的重命名方法，包括（但不限于）字符串替换，插入文本作为文件名的前缀、后缀或其他位置，剥离一组字符，改变一组字母的大小写，使用自动递增的数字，交换文件名的一部分，等等。 F2提供了几个内置变量，以增加重命名过程中的灵活性。这些变量是基于文件属性的，如图像的Exif信息和音频文件的ID3标签。F2还支持利用流行的exiftool的标签，这应该涵盖大多数的使用情况。 F2非常快，不会浪费你的时间。允许你恢复用该程序进行的任何重命名操作，具有良好的测试覆盖率，对所有支持的平台（Linux、Windows和macOS）都给予了同等关注。 特性： 安全和透明。F2默认使用干运行模式，这样你就可以在对文件系统进行修改之前，查看将对你的文件系统作出的确切修改。 跨平台，完全支持Linux、macOS和Windows。它也可以在不太常用的平台上运行，如Termux（Android）。 速度极快，即使在处理大量的文件时也是如此。 在产生最终输出之前，支持几个连续的重命名操作链。 自动检测潜在的冲突，如文件碰撞，或覆盖，并向你报告。 提供几个内置的变量，使某些文件类型的重命名更容易。提供对exiftool中所有~25,000个标签的轻松访问，以便在重命名中获得最大的灵活性。 支持使用正则表达式进行查找和替换，包括捕获组。 默认忽略隐藏的目录和文件。尊重NO_COLOR环境变量。支持限制匹配的数量，并且可以从文件名的开头或结尾开始。支持对文件和目录进行递归重命名。支持只重命名文件，或只重命名目录，或同时重命名。支持使用升序整数进行重命名（如001、002、003等），并且可以用多种方式进行格式化。支持在出现错误的情况下撤销最后的重命名操作。支持从CSV文件中重命名。为每个选项提供了广泛的文档和例子。 | #工具