ZD至顶网CIO与应用频道 07月14日 专栏:当你需要记笔记、但又腾不出手的时候,你会怎么办?如果你正在搜索Google Play商店,你会发现有大量工具可供选择。其中主要分为音频录音器,以及语音转换为文本的应用。这两种选择都是可行的解决方案,所以我决定特别介绍其中几款。不管你正在寻找哪一款,一定会有一个能够满足你的需求。
1、Google Now/Keep
我会首先介绍排名第一的。如果你正在使用安卓,很可能你就在用Google Now以及它的免提语音交互系统。但是你可能不知道Note To Self选项。只要你说出你的Google Now激活语(我的是“Okay Google Now”),然后是“Note to self”。如果你正确配置它的话,就可以记录笔记并将其自动保存到Google Keep(如图A)。
图A
一旦笔记保存到你的Google Keep帐户,就可以在连接到你Google帐户的所有设备上访问你的笔记。就我的经验来说,这是记录语音笔记到安卓的最好方法之一。当然,我恰好一直在用Google Keep,所以对我来说易如反掌。
2、Smart Voice Recorder
如果你正在寻找一款出色的语音记录应用,那么你不能错过Smart Voice Recorder(如图B)。它提供了静音检测、采样率设置(一路攀升至CD音质)、日期/时间文件命名、实时音频频谱分析、麦克风增益校准、自定义文件保存位置、音频共享(通过安卓内置的共享系统)、暂停录音、2GB文件大小限制,等等。
图B
跳过静音功能这一项,就可以让Smart Voice Recorder值得一用。如果你经常在录音的时候暂停,你就会发现跳过静音绝对是有必要的。
免费版本的Smart Voice Recorder是带有广告的,你可以在应用内购买(1.49美元),不带广告。
3、Note to Self 2.0
Note to Self的开发者已经发布了升级版的语音转换为文本的工具——Note to Self 2.0,增强了界面。该应用很简单,但是可以出色地将你的语音转换为文本笔记,然后你可以共享(使用内置的安卓共享机制)、删除或者编辑笔记。
图C
你会发现该应用的任何设置和接口都是最小的。如果你点击一个笔记,然后点击编辑按钮,你就可以编辑保存的笔记(当你可能漏掉了一些信息,或者只是需要增加更多的信息)。
4、Voice Recorder
Voice Recorder(如图D)的一项功很可能会让它成为那些倾向于以音频形式记笔记的用户必备工具。当你开始记录笔记的时候,Voice Recorder可以在后台进行录制。你会看到通知下拉栏中出现一个条目,然后你可以点击返回应用,暂停或者停止录音。这意味着你可以在使用其他应用的时候记录备忘。当你录音的时候想要搜索一些信息,Voice Recorder是可以让你这么做的。
图D
你可以保存为MP3或者OGG格式,较低或者较高质量的采样率(较低的是8kHz,较高的是44kHz)。Voice Recorder还让你可以定制保存文件的位置,这意味着你可以将文件保存在SD卡或者保存在内部存储上。
5、ListNote
如果你正在寻找一款可以很好地提供标准文本笔记和语音转文本笔记的应用,ListNote Speech-to-Text Notes(如图E)可能正是你需要的。它有易于使用的界面,你可以点击Text或者Speech Recognition,或者手动输入一个笔记,或者使用语音转文本功能。
图E
ListNote还让你可以创建类别,这样你就可以更好地保存笔记。要录制语音转文本的笔记,你可以点击类别按钮,选择分类,点击语音识别按钮,立即开始讲话。一旦你完成了笔记的录制,点击完成,然后保存笔记。然后你可以手动编辑笔记或者删除笔记。
http://www.techrepublic.com/blog/five-apps/five-free-android-apps-for-recording-voice-notes/
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。