微软100题-天天做-第25题

Microsoft 365商业版订阅全解析:F1/F3/F5与E1/E3/E5的核心差异与应用场景 本文全面解析Microsoft 365商业版订阅方案,详细对比F1/F3/F5与E1/E3/E5的核心功能差异与应用场景。从一线员工的精简版F系列到功能完整的企业级E系列,帮助您根据员工类型、需求和预算做出最优选择,避免常见部署错误,实现高效成本控制。 阅读详情

发布一个k8s部署视频:https://edu.youkuaiyun.com/course/detail/26967

课程内容:各种k8s部署方式。包括minikube部署,kubeadm部署,kubeasz部署,rancher部署,k3s部署。包括开发测试环境部署k8s,和生产环境部署k8s。

腾讯课堂连接地址https://ke.qq.com/course/478827?taid=4373109931462251&tuin=ba64518

第二个视频发布  https://edu.youkuaiyun.com/course/detail/27109

腾讯课堂连接地址https://ke.qq.com/course/484107?tuin=ba64518

介绍主要的k8s资源的使用配置和命令。包括configmap,pod,service,replicaset,namespace,deployment,daemonset,ingress,pv,pvc,sc,role,rolebinding,clusterrole,clusterrolebinding,secret,serviceaccount,statefulset,job,cronjob,podDisruptionbudget,podSecurityPolicy,networkPolicy,resourceQuota,limitrange,endpoint,event,conponentstatus,node,apiservice,controllerRevision等。

第三个视频发布:https://edu.youkuaiyun.com/course/detail/27574

详细介绍helm命令,学习helm chart语法,编写helm chart。深入分析各项目源码,学习编写helm插件
————————————————------------------------------------------------------------------------------------------------------------------

第25题(字符串):写一个函数,它的原形是int continumax(char *outputstr,char *intputstr)
功能:
在字符串中找出连续最长的数字串,并把这个串的长度返回,
并把这个最长数字串付给其中一个函数参数outputstr所指内存。
例如:"abcd12345ed125ss123456789"的首地址传给intputstr后,函数将返回9,

 

 

outputstr所指的值为123456789

 

 

 

package com.microsoft;

import java.util.ArrayList;
import java.util.List;

public class NumberFromString {
	private String str;
	public NumberFromString(String str){
		this.str=str;
	}
	public String getLongestNumberFromString(){
		List<String> numberList=new ArrayList<String>();
		char[]charArray=str.toCharArray();
		int start=0;
		int end=0;
		for(int i=0;i<charArray.length;i++){
			if(charArray[i]>='0'&&charArray[i]<='9'){
				start=i;
				int step=start+1;
				while(true){
					if(step>=str.length()){
						break;
					}
					if(!(charArray[step]>='0'&&charArray[step]<='9')){
						break;
					}
					step++;
				}
				i=step;
				String numberStr=str.substring(start, step);
				numberList.add(numberStr);
			}
		}
		int maxLength=0;
		String ret=null;
		for(int i=0;i<numberList.size();i++){
			String s=numberList.get(i);
			if(maxLength<s.length()){
				maxLength=s.length();
				ret=s;
			}
		}
		return ret;
	}
	public static void main(String[] args) {
		NumberFromString instance=new NumberFromString("1abc345699k99999");
		System.out.println(instance.getLongestNumberFromString());
	}

}

 

 

 

 

 

DBeaver Ultimate 25.3:国产数据库全栈开发与信创适配中枢 数据库客户端是数据工程师日常协作的基础工具,其核心价值在于统一SQL开发、元数据管理、跨源查询与执行分析等能力。随着信创推进和多源异构数据库普及,传统工具面临驱动冲突、中文支持薄弱、跨平台体验割裂等瓶颈。DBeaver Ultimate Edition凭借驱动沙箱隔离、分层元数据缓存、语义感知SQL编辑器及深度国产化适配(达梦、人大金仓、openGauss等),实现了从‘连接器’到‘数据库工作台’的演进。它不仅解决JDBC字符集协商、GB18030导出、ARM64 JNI兼容等工程细节问题,更通过CLI集成 阅读详情

相关推荐

M365 Copilot智能体模式落地三重门槛:许可证、租户配置与客户端就绪

智能体模式是Microsoft 365 Copilot从响应式助手升级为自主协作者的核心能力,其本质是基于自然语言理解目标、调用工具、验证结果的自动化编排范式。它并非AI幻觉产物,而是依赖M365平台多年积累的身份统一(Entra ID)、API开放(Microsoft Graph)与数据治理能力。技术价值在于将分散在Power Automate、Power Apps、Viva等工具中的专业能力封装为可组合的原子智能体,使一线员工无需编码即可完成跨系统任务。典型应用场景包括销售日报自动生成、跨部门项目进度协

525

5步落地微软BC AI智能体:亲测帮企业年省20万人力成本的实操教程

做了10年微软ERP实施,我见过太多企业跟风上AI,最后只用到了个聊天问答工具,根本没落地产生实际收益。今天这份教程是我跟着行业老牌服务商上海瀚资 Tectura的标准实施流程整理的,照着走就能让AI真的帮你省人力、提效率。

2601_94950676的博客 220

LLM 2023年总结 2024年展望

1- 2022年11月30日ChatGPT推出(我就把它当2023年了)因为热度烧到我们这边基本也是2023年了,不同于前作GPT-3,ChatGPT推出后,因为它采用RLHF的对齐方式和Chat的友好交互模式,让人类真正实现了和机器的友好人机互动,在几个月之内迅速霸榜,成为当时人类有史以来最快达到一亿用户的应用。2023年我认为今后我们回头看这一年,它肯定是大模型的元年了,这一年发生了太多的代表性的事件,我挑点重要的说 ,我觉得不太重要的在这就没画面了,大家可以回帖补充。

周博洋的博客 1529

[转]微软研究院的管理之道:向大师们致敬

作为企业内的研究机构,微软研究院(以下简称MSR)非常重视技术创新,技术创新有两种途径,一种是外部学习,一种是内部创造。由于外部学习渠道天生受其他组织影响实现起来比较困难,所以MSR更多地把注意力集中在提高自身研究水平上。MSR的管理者如何创造这种创新渠道呢?请看以下来自微软硅谷研究院院长Roy Levin的论文节选。 三个“臭皮匠”难抵一个“诸葛亮” 只雇佣最棒的那些人,即使他们不...

touchmm 568

Unity适配Nintendo Switch平台开发

查看文档、下载SDK,都需要账号登录。

凝遥的笔记本 2104

【数据结构】面试题整理 共36题

链表是一种常见的数据结构,它由一系列节点组成,每个节点包含数据和一个指向下一个节点的指针。与数组不同,链表中的元素在内存中不必是连续存储的,这使得链表在插入和删除操作时非常高效。单向链表(Singly Linked List):每个节点只包含一个指向下一个节点的指针。双向链表(Doubly Linked List):每个节点包含两个指针,一个指向下一个节点,一个指向前一个节点。循环链表(Circular Linked List):链表的最后一个节点指向第一个节点,形成一个环。

weixin_44329069的博客 7203

“你们尽管做空 OpenAI!”奥特曼霸气喊话,纳德拉亲述微软百亿投资内幕 | 巨头对话

聊着育儿经、下注 1.4 万亿、揭秘新协议、规划 AGI……全球最强 AI 搭档的炉边谈话泄露了什么?出品丨AI 科技大本营(ID:rgznai100)来源 | youtu.be/Gnl833wXRz0日前外网最火的播客,毫无疑问是 Brad Gerstner 的 BG2 频道,能把萨提亚·纳德拉(Satya Nadella)和萨姆·奥特曼(Sam Altman)同时请来,坐在一起聊一个小时,这事儿本身就挺不简单的。这两个人,大家都不陌生。一个是微软的 CEO,一个是 OpenAI 的 CEO。平时看他们各

优快云资讯 5827

1.30 Cubemx_STM32H743 SD_Card纳入文件管理系统

Cubemx_STM32H743 SD_Card纳入文件管理系统1、简介2、CubeMX配置 1、简介 和前面文章原理其实一样的。 1.29 Cubemx_STM32F429\H743 nandflash、spifalsh纳入文件管理系统 现在一并将SD卡、NandFlash、SPIFlash一并作为文件管理。 下面直接介绍SDcard,其他参考前面文章。 2、CubeMX配置 ...

oDuanYanGuHong的博客 1080

白话微软AI职场报告:员工已上车,公司还在站台

哈佛教授 Karim Lakhani 在报告序言里有句话,我反复读了三遍:工业时代问「如何规模化生产」,信息时代问「如何数字化协同」,AI 时代问的是:当智能可以被嵌入、被分发、被委派时,工作本身应该如何设计。这个问题,全世界没有一家公司给出了完美答案。但好消息是——问题已经被清楚地说出来了。员工已经准备好了。工具、平台、方法论也在以肉眼可见的速度成熟。剩下的,就看每一位组织的设计者,愿不愿意动手了。如果你是员工:别再等老板「开窍」,主动用数据证明你的 AI 价值。

gdzqlisu的专栏 194

qPCR定量方法在肠道微生物特定种属定量应用

大家都知道肠道中有上千种细菌,肠道微生物可参与人体代谢,促进营养物质的消化吸收,肠道微生态均衡关系到身体健康,肠道微生态失衡可能会导致疾病产生。此外有文献指出肠道微生物可能与人体免疫及炎性反应等有关。目前也越来越多人关注到疾病与肠道微生物的关系,也做了很多研究及实验,一般高通量结果得到的是每个物种在样本中的相对百分含量,而不同微生物的绝对含量其实也对疾病有很重要的影响。在此分享几篇有采用qPCR方法研究疾病与肠道微生物关系的文章。 早在2013年Kim-Anne Lê1、Yan Li等人发表文章Alter

tinygene的博客 2144

基于deepseek本地模型的本地知识库构建

通过以上步骤,你已经成功构建了一个基于 AnythingLLM 和 LM Studio 的本地知识库。这个系统不仅能够高效地存储和检索知识,还能结合强大的语言模型生成准确的回答。你可以根据自己的需求进一步扩展和优化这个系统,比如增加更多的文档格式支持、优化检索算法等。

qq_30178745的博客 1383

大模型提示工程的临界点:为什么少样本学习需要100个示例

少样本学习(few-shot learning)是大语言模型落地的核心范式,但其真实效能高度依赖示例数量与结构质量。从信息论角度看,5个示例仅能提供极低的信息熵,难以支撑模型构建稳定语义表征;而100个示例通过覆盖高频、中频与长尾表达,显著提升认知鲁棒性与跨场景泛化能力。In-Context Learning(ICL)的本质并非知识灌输,而是利用上下文动态生成任务专属的隐式指令集——这要求足够密度的‘认知路标’来引导注意力对齐。实证表明,50例是准确率跃升的相变阈值,100例则达成工程稳态,在翻译、客服、医

weixin_30765505的博客 312

从零构建智能ai语音助手:ESP32s3+Python+大语言模型实战指南

本文详细介绍了基于ESP32S3硬件和Python后端的智能语音助手系统开发指南。系统采用ESP32S3采集语音,通过WebSocket实时传输到Python后端处理,利用大语言模型实现自然语言理解和意图识别,再通过TTS合成语音返回。文章从系统架构、工作流程、技术实现(包括OPUS编码、WebSocket通信、ESP32音频处理)等方面进行了详细讲解,并提供了分阶段学习路线和常见问题解决方案。该项目展示了物联网技术与AI技术的融合应用,相比传统语音系统具有更高的灵活性和智能性,为开发者提供了完整的实现方案

Despacito0o的博客 2630

​马化腾称腾讯应该去做难而正确的事;iOS 15正式版发布,改善信号表现;Dart 2.17发布|极客头条

快来看今天都有哪些值得我们技术人关注的重要新闻吧。

极客日报 9005

Mac用户看过来!M1/M2芯片安装CiteSpace完整指南(从Homebrew到成功运行)

本文为Mac M1/M2芯片用户提供CiteSpace安装的完整指南,从Homebrew安装适配的Java环境到最终成功运行CiteSpace。详细步骤包括环境检查、Java配置、CiteSpace下载与优化,解决常见问题如内存分配、图形渲染和中文显示乱码,确保科研人员能顺利使用这一文献可视化工具。

weixin_42530458的博客 308

泛微OA集成阿里云短信(E9保姆教程)

泛微OA集成阿里云短信(E9保姆教程)

技术分享 517

移动的一个比微软所有漏洞加起来都要严重的漏洞

我发现拉中国移动一个及其严重的漏洞,它对手机用户造成的影响绝对超过目前为止微软windows系统所有漏洞加起来造成的危害。 目前我需要各位猫猫回答我两个问题,以便我验证是否正确,注意我已经在小范围内做过调查,现在需要各位猫猫的帮忙,以便我从统计学方面验证这个漏洞的可行行。 我只需要100个回答,谢谢各位的帮忙。 1、请问你多久查询一次你的通话详单(就是你的手机具体打或接过那些电话,发过那些短信)。

诺亚之舟的胡言乱语 1076

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

计算机二级MS Office备考:40套真题PDF高效刷题与核心考点解析

在计算机应用技能认证领域,掌握核心软件的操作原理与高效学习方法至关重要。Office办公软件作为现代职场与学术研究的通用工具,其深度应用能力是衡量个人计算机素养的关键指标。从技术原理层面看,熟练运用函数公式、样式排版与自动化功能,不仅能提升数据处理与文档编辑效率,更能体现结构化思维与问题解决能力。对于备考计算机二级MS Office的考生而言,历年真题是把握命题规律、熟悉考试环境最直接的武器。通过系统分析真题中的高频考点,如Excel的VLOOKUP函数与Word长文档排版,考生可以构建精准的知识图谱,实现

weixin_30878501的博客 379

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

十大“阵亡”创始人:100种死法,承包了2018所有的绝望

一定是特别的缘分,才让他们在万千创业者中败下阵来,成为年度最悲情的创始人。 托尔斯泰曾经说,幸福的人都是相似的,不幸的人各有各的不幸。他们的2018,像是游乐场大摆锤,有...

IT派 888

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

01 | 互联网科技巨头与资本追逐元宇宙,他们在追逐什么?

你好,我是方军。在2021年早些时候,Facebook创始人马克·扎克伯格说,“元宇宙就是下一代互联网”。到了10月底,他把公司更名为META,也就是元宇宙公司(META是Metaverse的词根,也就是元宇宙的“元”)。在全世界范围内,这个公司更名的动作引起了人们对于元宇宙的大讨论。请你回想一下,当时你是怎么想的?我给你分享一下我当时的第一反应。我想起了1995年的比尔·盖茨,如果说扎克伯格是互...

优快云学习 455

开年就这情况,大家今年还是多做准备吧!

2024年了,大家期待的经济复苏并没有来,“裁员潮”却已然到来:2月14日:思科宣布裁员约4300人!1月25日:微软宣布2024年度将裁员1900人!1-2月:阿里旗下电商Lazada宣布计划裁员2000人!这些是年初已发布了官方消息的大厂裁员信息,紧随其后的尚未被官方证实的可能还有小米、阿里、腾讯、字节跳动等。真的,不知道哪一天,失业就是一夜间的事,今年我已经接到了太多粉丝的私信:其实,我很能...

架构师小秘圈 441

互联网科技巨头与资本追逐元宇宙,他们在追逐什么?

你想象中的元宇宙,是什么样子的呢?

gotea456的博客 5172

10分钟搞定VibeVoice部署:支持9种语言的语音合成

本文介绍了如何在星图GPU平台上自动化部署VibeVoice 实时语音合成系统镜像,快速实现多语言语音合成。用户无需配置环境,10分钟内即可启动WebUI,支持中、英、德、日等9种语言的实时TTS生成,典型应用于短视频旁白制作、多语种课程配音及文本校对听读等场景。

weixin_28787801的博客 451

VibeVoice Pro零延迟语音引擎:5分钟搭建实时TTS系统

本文介绍了如何在星图GPU平台上自动化部署VibeVoice Pro:零延迟流式音频引擎镜像,快速构建实时TTS系统。依托平台能力,用户可一键完成环境配置与服务启动,适用于AI客服应答、数字人语音交互、实时会议播报等对低延迟敏感的语音合成场景,首包延迟稳定低于300ms。

weixin_42588555的博客 145
上一篇: 微软100题-天天做-第24题
下一篇: 微软100题-天天做-第26题
hxpjava1
博客等级 码龄19年 1365粉丝 511原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hxpjava1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值