- 综合排序
- 最热优先
- 最新优先
语音转写工具快速选型：4 类主流方案的适用场景梳理
一、选型语音转写工具的 4 个核心判断点对职场人与开发团队来说，选型不用追求功能大而全，重点关注四个维度即可覆盖绝大多数需求：第一是专业适配能力。 二、4 类主流转写方案特点梳理智在记录：全场景独立专业方案这是垂直语音转写领域的代表性工具，不受单一办公生态限制，线上线下场景都能适配，尤其适合有专业领域需求、会议类型多元的团队。 针对垂直行业痛点，内置了 IT、金融、法律、医疗等多领域专属词库，还支持企业自定义术语库，专业场景下的识别准确度有保障。方言与多语种覆盖也比较全面，带口音的普通话、跨地域团队沟通都能较好适配。 线下场景可以搭配同系列的 VibeNote 录音卡使用，多脉拾音加 AI 降噪，长续航满足全天会议需求，录音自动同步到软件端转写归档，软硬一体的体验比较顺畅。 整体来看，这类独立专业方案的综合能力最全面，适合希望用一套工具覆盖多场景的个人与团队。办公生态内置转写以腾讯会议、钉钉、飞书的内置纪要功能为代表，核心优势是和自身办公生态深度绑定。
13310编辑于 2026-06-18- 来自专栏程序人生小记
多场景学习
1 背景大型推荐系统存在多场景，而多场景的训练数据存在分布差异。比如：不同媒体的用户存在差异，不同资源位的用户存在差异。 对于多场景建模，如果采用各场景独立的方式，会忽视场景共性，导致长尾小场景难以学好，同时每个场景维护一个模型极大地增加系统资源开销和人力成本；如果直接将样本混合，训练共享模型，整个模型会被数据丰富的场景主导 和多场景建模很相似的任务是多任务学习，但这二者关注点不同。多任务学习解决相同场景/分布下的不同任务，而多场景建模解决不同场景/分布下的相同任务。 例如：推荐场景下的多任务学习通常是单个样本对于 CTR，CVR 等目标同时预估，而多场景建模是对不同场景样本预估相同的 CTR 目标。直接采用多任务学习的方法解决多场景建模也会存在一些问题。? 元注意力模块位于较低位置以捕获不同的场景间相关性，元残差塔模块位于较高位置以增强捕获特定场景特征表征的能力，如图 4 所示。
1.9K30编辑于 2022-06-09 - 来自专栏xiaosen
机器学习多场景实战
从智能推荐系统个性化推送你可能喜爱的电影和商品，到金融风控领域精准识别欺诈交易；每一个应用场景都是机器学习技术多维度、深层次实战的精彩演绎，我们通过一些小案例对业务进行了解~ 什么是数据指标 数据指标概念 转化率：计算方法与具体业务场景有关 淘宝店铺，转化率=购买产品的人数／所有到达店铺的人数 在广告业务中，广告转化率=点击广告进入推广网站的人数／看到广告的人数。 当月与上月都有购买的用户数/上月购买的用户数 应用Pandas合并数据集 - 组合数据的一种方法是使用“连接”（concatenation) - 连接是指把某行或某列追加到数据中 - 数据被分成了多份可以使用连接把数据拼接起来 b4 c4 d4 1 a5 b5 c5 d5 2 a6 b6 c6 d6 3 a7 b7 c7 d7 pd.concat([df1,df2], axis=1) A B C D A B C D 0 a0 b0 c0 d0 a4 b4 c4 d4 1 a1 b1 c1 d1 a5
62210编辑于 2024-06-06 - 来自专栏IT码农
定义多场景的表单
定义多场景的表单 下面是一个带有添加/编辑的文章表单示例： namespace app\forms; use Yii; use app\models\Article; class ArticleForm extends \yii\base\Model{ const SCENE_ADD = 'add'; //添加场景 const SCENE_EDIT = 'edit'; //编辑场景 public return [ [['id', 'title', 'categoryId', 'content'], 'required'], ['title', 'string', 'length' => [4, 接收参数失败'; } if($form->edit()){ return '保存完毕'; }else{ return $form->firstError[0]; } } 如果表单定义了多场景 ，而不是盲目地全部validate，毕竟不同场景下有不同的校验字段 深入应用 其实不能仅仅把场景理解为使用在validate控制上的，自己在form里面写的逻辑代码都可以if($this->scenario
76641发布于 2019-09-02 企业级语音转写选型实践：5 类主流方案的技术架构与场景适配
它突破了 8 小时超长连续录音的技术瓶颈，能够适配职级评审、多场次连续答辩、全天研讨会这类高强度会议场景。如果线下会议较多，还可以搭配同系列的 VibeNote 录音卡硬件使用，实现软硬协同。 这款录音卡采用卡片式设计，搭载多麦阵列与骨传导拾音组合，支持 45 小时连续录音，AI 降噪算法可以过滤键盘声、空调声、环境喧哗声等干扰，实现长时间、高清晰的无损收音。 录音转文字方面，支持现场实时录音转写、离线音频文件导入，自带高清降噪处理，适配会议、课堂、访谈等绝大多数场景；同时支持直接导入主流视频平台的链接，无需下载视频即可提取音频转写，适配内容创作、素材整理场景 对比仅适配单一生态的产品，它的适配范围更广，即便企业内部使用多套办公系统，也能统一接入。 技术上依托通义大模型的语音识别能力，硬件端搭载多麦克风阵列与骨传导拾音技术，支持远距离收音与芯片级降噪。
18510编辑于 2026-06-18- 来自专栏JavaEdge
多主复制的适用场景(1)-多IDC
这就是多主节点（也称为主-主，或主动/主动）复制。 此时，每个主节点还同时扮演其他主节点的从节点。 3.1 适用场景 在一个IDC内部使用多个主节点没啥大意义，因复杂性远超带来的好处。 但某些case，多活配置也合理： 3.1.1 多IDC 为容忍整个IDC级别故障或更接近用户，可将DB的副本横跨多个IDC。 单主和多主： 性能 单活，每个写入须穿过互联网，进入主节点数据中心。 采用异步复制功能的多活配置通常能更好地承受网络问题：临时的网络中断并不会妨碍正在处理的写入。 有些数据库默认情况下支持多主配置，但使用外部工具实现也很常见，如MySQL的Tungsten Replicator。
74420编辑于 2022-08-01 开源模型新标杆：谷歌 Gemma 4 核心技术架构与多场景能力分析
模型变体与技术规格 Gemma 4 包含四个模型变体，覆盖从边缘设备到数据中心的全场景需求： 在 AI Arena 排行榜上，Gemma 4 31B 在所有开源模型中排名第 3，性能可与10 倍规模的模型相媲美 多模态处理能力 全系模型支持文本、图像和视频（最长60秒，1fps），E2B 和 E4B 额外支持音频输入（最长30秒）。 、原生多模态、原生工具调用）、生态系统优势（与Android、Google Workspace 等深度集成）。 部分 iPhone 机型只需要 4GB 即可跑 Gemma 4。iPad 使用的是 M 芯片，较新的机型可以跑通 E4B 甚至 26B-A4B。 应用前景 Gemma 4在软件开发与代码生成、智能体与自动化、多模态内容理解、边缘计算与物联网、移动应用开发等领域展现出广阔前景。其本地部署能力特别适合企业级开发场景，确保代码隐私和数据安全。
1.6K10编辑于 2026-04-13从转写准度率到场景适配：2025 年 10 款语音文字软件测评，谁是效率外挂首选？
不仅通用转写准确率高，更支持视频转文字和方言转写（如粤语、四川话、河南话等），应对各种复杂场景无压力。AI能力：这才是其降维打击的核心。 4、专业性准度性：识别准确率高达98%，优势明显。专业性：支持11种语言、17个专业领域（如金融、医疗、科技）效果优化，并提供企业级管理后台，团队协作更高效。 如果你需要一款功能全面、中文准确、安全可靠，能覆盖会议、学习、访谈等多场景的「全能王牌」：那么讯飞听见无疑是综合实力最强的首选，它提供的不仅仅是一个工具，更是一套提升个人与组织效率的完整解决方案。 但功能相对基础，在转写准确率、专业领域适配以及文档处理等方面，与讯飞听见有一定差距。主要针对腾讯会议的使用者，在会议场景中有一定便利性。3、网易见外工作台支持语音转写，能满足一些基础需求。 不过文件大小和格式限制较多，转写速度相对较慢，在复杂场景下的准确率也有待提高。适用于对转写要求不高，偶尔使用的用户。海外先锋队：六款国际主流工具一览Otter.ai：北美市场的明星产品。
1.7K10编辑于 2025-08-26- 来自专栏yeedomliu
腾讯云微搭多场景使用
实践：快速搭建餐饮小程序 步骤 使用微搭快速完成表单的CRUD 制作一个搜索页面（通过手机号查询预约信息），需要两个页面（搜索页、显示页） 数据源 创建数据源 添加字段『姓名』 添加字段『手机』 添加字段『日期』 创建应用 添加表单 填写并提交表单 查看数据 创建搜索页面 添加表单搜索字段 添加搜索按钮 修改输入框提示语 添加信息展示页 添加全局变量 搜索处理 显示页处理 显示效果 显示页面把全局参数赋值给表达式
4.3K30编辑于 2022-01-23 - 来自专栏爱可生开源社区
多场景 OceanBase 并发参数调整方案
租户线程相关概念 2.1 租户最大线程数 为了维持租户活跃线程数恒定，同时考虑到大查询线程挂起的发生，租户就需要动态的从多租户线程池中申请线程。 4. 参数一览 并发相关参数 5. ON t1.tenant_id = t4.tenant_id -> INNERJOIN OCEANBASE.DBA_OB_UNITS t2 ON t4.resource_pool_id 结论 场景一&场景二：parallel_servers_target 等于 80，但在实际应用场景中，达到 80 并发并不一定会产生队列等待；未达到 80 并发也可能产生队列等待，与查询种类（大查询/小查询 back=kb 《工作线程》：https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000002014039 《多租户线程常见问题
62310编辑于 2025-06-20 OpenClaw🦞多Agent从场景到实践
一、先说结论：多数场景，单 Agent 就够用 在刚开始使用 OpenClaw 时，最容易犯的错误是：还没找到稳定的业务场景，就先花大量时间搭多 Agent。 当你明显遇到边界，再切多 Agent。边界包括这么几种典型场景 Agent在会话中出现了遗忘的现象，说明上下文长度已经超过模型上下文了，此时可以考虑拆分多Agent了。 三、先对齐 4 个关键概念 先对齐多Agent涉及的几个关键概念 OpenClaw 实例 / Gateway：官方推荐的架构是一个操作系统部署一个OpenClaw实例，多部署会存在资源抢占的问题，应该用多 模式 3：单实例 + 多 Agent + 多 BOT 但互不协作（推荐） 各 Agent 独立运行，适合并行但无协同场景；例如财务、运营、研发各自处理独立任务。 多 Agent 越多，维护成本越高 先从 2~4 个角色起步，别一开始就堆到十几个。 稳定性优先于炫技 先保证可恢复（配置备份、重启策略），再追求复杂编排。
13910编辑于 2026-06-22- 来自专栏架构驿站
【性能工具】LoadRunner多场景顺序执行
应用场景： 假设有多个不同的测试场景，多个场景有先后执行顺序。或者都需要测试,但白天时间有限, 通过晚上批量执行,可以有两种方式实现。 3个脚本的运行顺序为“Start when Group xxx finished”，并在“Scenario Start Time”中设定场景在晚上的运行启动时间。 设定完定时执行场景后，点击StartScenario按钮，会出现一个倒计时窗口，这样在固定的某个时间 上，测试场景中的3个脚本将乖乖的按照设定的先后顺序进行测试。 ，假设其中每个场景一个测试脚本(实际上没有关系,在场景里边设置你需要的脚本和模式,时间等等)。 首先创建并设置好不同测试场景，再创建一个一个批处理程序按先后顺序调用这些场景进行测试，最后通过Windows的定时任务设定批处理的执行时间。
83650编辑于 2022-03-25 - 来自专栏编程
（4）Superset权限使用场景
本文先介绍这几个角色，然后结合实际的安全访问控制的场景，看在Superset中怎样实现。 角色权限介绍 Admin： 拥有所有权限。 /incubator-superset/issues/3938 https://github.com/apache/incubator-superset/issues/2326 本文列举了权限使用几种场景
9.7K120发布于 2018-01-30 - 来自专栏秋枫学习笔记
SATrans：多场景CTR预估，场景地适应的特征交互方式
然而大部分多场景模型都面临场景区分建模不充分、随着场景数量增加效果下降，缺乏可解释性等问题。 并且现存的所有多场景模型在对各场景区分建模时，都没有考虑过显示特征交互问题，这限制模型的表达能力且影响到模型性能。 本文针对多场景模型内的特征交互问题，提出场景自适应特征交互框架SATrans(Scenario-Adaptive Feature Interaction framework)。 接着是多场景自适应交互层，在场景embedding的指导下通过自注意力机制组合高阶特征。通过堆叠L交互层，可以对(L + 1)阶的场景自适应特征交互进行建模。 ，文中提出下图三种方式 4 实验结果 Ali-CCP 和 Ali-Mama 数据集上的AUC表现 WeChat-MS 上的表现 往期推荐 MemoNet：用codebook记住所有的交叉特征来做
2.1K50编辑于 2023-09-20 - 来自专栏规划领域技术
POI数据多场景获取脚本分享
之前已经分享了使用场景最广的“划定矩形区域获取POI数据”，考虑到我们规划相关工作中的其他使用场景，增加了针对公服设施、小城镇的“获取整个城市的POI数据”脚本、针对线性空间分块获取数据来提升效率的“多矩形区域获取 Get_GaodeMap_POI.exe脚本，等待爬取完成，目标文件为"poi_get\POI.xls" 3.爬取完成提示为：##########POI数据爬取完成，下次使用请删除"poi_get"文件夹”，并按任意键退出 02 多矩形区域获取 POI数据 用于爬取多个矩形区域内的POI数据，适用场景：为提高爬取效率进行分块爬取（自动去重），如有拐弯的河流、道路，或城市中的不同区域 1.在reference文件夹中改写key.txt、subdivision.txt
1.4K20发布于 2020-08-01 - 来自专栏FreeBuf
Metasploit-framework 内网穿透：多场景详解
在笔者对网上的文章进行研究后，发现绝大多数文章解决的场景都类似于《msf生成木马时的内网映射》，并未涉及到在 exploit 模块中如何使用反弹shell。 此文章旨在解决不同场景下的使用方法，同时让新手也能轻松理解。 MSF生成反连木马上线 笔者在前言中提到过此种场景的解决方法在网上大量流传，只做一些查漏补缺，不做过多赘述。 使用场景： 内网MSF，目标主机不限，目标主机运行木马反弹上线。 MSF通过Exploit模块上线 使用场景： 内网MSF，目标主机不限，通过MSF Exploit模块执行payload反弹上线。
2.4K31发布于 2021-05-20 - 来自专栏ExASIC
dc约束中的multi scenarios（多场景）
有一种情况比较特殊：一个PAD在一个场景下用作时钟输入，另一个场景下用作数据的输入。 DC中的多场景（multi scenarios）就是用来解决这个问题的。把复杂的约束分成多个场景（也可以叫工作模式，如正常模式1、正常模式2、测试模式1、测试模式2等），每个场景下只管自己的约束。 由综合工具来自动优化电路，同时满足多个场景。 需要注意两点： 多场景下，不支持wire model，要用tluplus（更准确的连线电容电阻信息库）。 要用compile_ultra，只有compile_ultra支持多场景。 好了，先介绍这么多，快去试试吧。
2K31编辑于 2022-06-21 - 来自专栏云数据库技术
通过NineData实现MySQL异地多活场景
异地多活？ 而异地多活则是异地容灾的一种升级方案，单元节点如果仅仅是作为灾备实例，那也太浪费了，不如和中心节点一起，同步处理业务流量，这样一来，不仅可以提高资源利用率，也能保证在任意一个节点失效时，其他节点可以平稳接管流量 上图就是一个异地多活的解决方案，其核心是在所有节点间建立实时的数据同步机制，以确保各个节点的数据一致性。 3.单击数据源 ID 进入数据源详情页面，单击展开，找到多活标记，配置多活标记名称。该步骤所有参与复制的数据源都需要执行，以防止发生数据循环复制。 4.根据页面提示完成配置后，在数据复制的任务列表中可以看到多了 2 条双向复制任务，当正反向任务的延迟为 0 的时候，代表数据源 A、B、C 之间的数据是一致的。
13510编辑于 2026-04-14 - 来自专栏数据和云
多场景下MySQL临时表的作用
墨墨导读：MySQL临时表在很多场景中都会用到，比如用户自己创建的临时表用于保存临时数据，以及MySQL内部在执行复杂SQL时，需要借助临时表进行分组、排序、去重等操作。 使用innodb表在某些场景下，比如临时表列太多，或者行大小超过限制，可能会出现“ Row size too large or Too many columns”的错误，这时应该将临时表的innodb引擎改回 4. Slave_open_temp_tables statement 或则 mix模式下才会看到有使用。 SQL语句： （1）加上合适的索引 （2）在where条件中过滤更多的数据 （3）重写SQL，优化执行计划 （4）如果不得不使用临时表，那么一定要减少并发。建议使用SSD硬盘。 4. binlog 缓存相关 使用二进制日志缓存并且值达到了binlog_cache_size设置的值，用临时文件存储来自事务的变化这样的事务数量。
5.6K10发布于 2020-08-06 - 来自专栏ytkah
GPT-4多模态模型
GPT-4 模型是OpenAI开发的第四代大型语言模型（LLM），它将是一个多模态模型，会提供完全不同的可能性-例如文字转图像、音乐甚至视频。 在GPT-4之前是GPT-3.5，由该模型开发的聊天机器人 ChatGPT 一经面世，便引爆 AI 界的军备竞赛 多模态或成GPT-4最大亮点 微软 AI 技术专家 Holger Kenn 和 Clemens Sieber 对多模态 AI 的相关功能进行了介绍。 根据 Kenn 的说法，多模态 AI 不仅可以将文本转化成相应的图像、音乐甚至是视频。在微软宣布前，机器学习专家 Emil Wallner 就在推特上预测，称 GPT-4 可能具备这种能力。 GPT-4 GPT-4 模型是第四代大型语言模型（LLM），它将是一个多模态模型，会提供完全不同的可能性-例如文字转图像、音乐甚至视频。
1.8K31编辑于 2023-03-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号