AI

最近，试用了字节跳动推出的 Marscode，感觉挺不错。最让人惊喜的是，它还自带了一个在线IDE，不仅拥有智能补全、预测和问答等强大功能，而且操作起来流畅的就像使用本地编辑器一样，完全感觉不到延迟。

人工智能技术如火如荼，去除图片背景早已有n种不同实现不同模型，但相对来说安装配置环境略有些复杂，今天介绍一个及其简单的方式，仅需30行代码即可实现，当然功能相对也弱一些，要求不高的话，用起来还行。

微软edge浏览器中有个大声朗读功能，在任何页面均可免费使用，效果也还不错。那么能不能在任意地方调用这个朗读功能，从而实现将自己的文本合成语音呢？自然是可以的，pip中有个edge-tts库，可以很方

为音频和视频生成对应字幕的方法有很多，之前介绍过本地模型 openai-whisper ，虽然需要下载模型配置复杂环境,但全免费无限制。 今天介绍个更简单的方式，豆包提供的在线“音视频字幕生成”功能。

受益于AI技术的快速进步，曾经颇具挑战性的视频翻译如今变得更加易于实现，尽管效果可能尚未达到完美。 视频翻译较之文本翻译更为复杂，但核心依然是基于文字的翻译(尽管存在直接将声音转换成另一种语言声音的技

各种支持多语言语音识别的模型通常都是在 openai-whisper 基础上再开发的，例如更快、更精确的faster-whisper。

在使用视频翻译配音软件时，经常会遇到字幕翻译结果出现空白字幕行的问题，本文就解释下为何会出现这种问题，以及如何能避免或降低出现该问题的方法。 字幕翻译与普通翻译的不同 字幕翻译与普通翻译之间存在显著差

大家都知道字节的豆包模型非常非常便宜，但还不知道5月15日至8月30日期间，字节赠送5亿token免费用量，不仅有豆包模型，还有月之暗面模型，相当大方了属于是，白嫖谁不嫖，不嫖白不嫖，简单说下白嫖流程

ChatTTS火出圈了，然而文档语焉不详，尤其在语气、韵律、发音人具体控制方面，经过反复实测和踩坑，终于明白一点，记录如下。

最近几天，ChatTTS挺火，号称是专门为对话场景设计的文本转语音模型，拉下来玩了玩，开源版效果距离宣传视频还有不少差距，据说是故意限制。 马马虎虎至少能用，先来搭个web界面和懒人包，使用方便点。

ffmpeg是一款强大的音频视频处理工具，使用非常广泛，几乎所有市面上常见的影音类 剪辑类软件都会集成该工具，同样视频翻译配音软件中也将其集成在内。

openai-whisper是流行的语音识别解决方案，支持数十种语言，对中文支持效果也不错，不过在使用低于large尺寸的模型时，效果仍是略差。相比而言，国内阿里系专注于中文识别的模型效果就好了不少。

借助ffmpeg的wasm版本，可以实现本地网页处理视频、预览非mp4格式的视频等，最近用到了视频中分离音频、预览视频、截取分割等功能，简单记录下。 获取 ffmpeg.wasm 首先需要执行npm以

根据输入文字和选项，组装 ssml 格式数据，然后创建websocket连接edge TTS服务器，得到返回音频数据后，合并创建mp3下载到本地。

OpenAI的chatGPT是公认最强的大模型，国内的文心一言、通义千问还只是追赶者，相比有不小差距。最近国内又冒出来一个挺厉害的AI工具：  Moonshot  中文名为 “月之暗面”，听着有点怪异

视频翻译配音软件中，支持使用ChatGPT和DeepLx作为翻译渠道，这两个翻译均需要额外设置，虽然已有几篇相关教程，但很多用户还是不会设置，本文再次讲述下如何使用。 使用ChatGPT，分两种情况

这两天马斯克在 GitHub 上开源了 Grok-1 大模型：一个GPT-4强有力的竞争者。 开源地址：https://github.com/xai-org/grok-1 开源一天就暴涨23k sta

有很多开源大模型都可以本地部署，用于替代 chatGPT 实现本地执行各种任务，比如国内较好的 通义千问Qwen1.5 全尺寸模型。在一般的翻译、文案创作、辅助编码等任务上，基本达到了ChatGPT3

声音、画面、字幕不同步 首先解释原因： 不同语言相互翻译后，字符长度数量是不同的，发音也是不同的，因此翻译前后的配音必然是有时长差异的，比如原中文配音是2秒，翻译为英文后配音可能是3s，定然导致声音、

本文主要介绍下如何在cloudflare后台搭建一个可用的免费翻译api，使用 m2m100-1.2B 模型