一周热榜

大家好，我基于我高度升级的 VITS 模型，制作了一个 TTS 模型，该模型以外部说话者嵌入（Resemble AI 的 Resemblyzer）为条件。<p>这个模型大约有 3100 万个参数（ONNX 格式），经过调优以实现低延迟和本地推理，并且已经导出。我试图突破小型快速模型的极限。它在服务器 CPU 上的运行速度是实时的 5.6 倍。<p>该模型支持声音克隆和声音混合（将两个或多个说话者的声音混合以生成新声音），许可证为 Apache 2.0，并使用 DeepPhonemizer（MIT 许可证）进行音素化，因此没有许可证问题。<p>代码库包含检查点、运行方法以及 Colab 和 HuggingFace 演示的链接。<p>不过，由于模型体积小，音频质量并不是最佳，并且由于它是基于 LibriTTS-R 和 VCTK（这两个都是完全开放的数据集）进行训练的，因此说话者的相似性也不是很好。<p>尽管如此，我希望它能对你们有所帮助。

我很好奇你们团队是如何与Claude Code和Codex合作的？你们是否在使用Linear和JIRA，并进行MCP管理？你们是将内容从Markdown转移到Google文档或Notion进行协作，然后再回到Markdown吗？还是说你们只是通过GitHub进行所有的协作？

这是一个小型社交实验：每个用户一生只能发布一条帖子（永久，不可删除或重发）。发布后，你将解锁动态，查看其他人选择了什么。

大多数抵押贷款处理延迟并不是由于风险造成的，而是由于手动工作流程造成的。 我们一直在开发SimplAI，这是一个专为银行和金融服务设计的人工智能驱动系统，首先应用于抵押贷款操作。 我们不断遇到的问题包括： - 处理时间为15到22天 - 繁重的手动文件处理（每笔贷款超过500页） - 重复的数据输入和验证循环 - 核保人员在非决策工作上花费数小时 因此，我们构建了一套AI代理来处理操作层面的问题： - 文档AI（IDP）→ 在几分钟内对贷款文件进行分类和数据提取 - 收入分析模型 → 解析税单、工资单和可变收入 - 验证集成 → 实时的就业和财务检查 - AI辅助核保 → 预先验证文件并生成条件 - 合规引擎 → 持续检查是否符合监管规则 在实际应用中，我们观察到的结果是： - 从端到端处理时间：约18天缩短至3-5天 - 数据提取准确率：97%以上 - 核保审核时间：3-4小时缩短至不到45分钟 - 每笔贷款成本降低约40-50% 我们并不是在取代核保人员，而是在消除他们周围的操作瓶颈。 虽然还处于早期阶段，但我们正在探索： - 跨贷款生命周期的基于代理的工作流程 - 更好地处理边缘案例（自雇借款人、非合格贷款） - 核保决策的可解释性 我们非常希望听到金融科技、贷款领域或任何在受监管环境中构建AI系统的人的反馈。