Epson R-D1,爱普生旁轴相机 Epson R-D1,爱普生旁轴相机 妹子总是迟到 所以最近都不拍妹子了 周六也没有公交车回去 所以每周六下午都去扫街 找了朋友借了台相机 这台相机绝大多数都没见过的 爱普生的 R-D1 初代发布于2005年 到今年刚好20岁了 手动对焦 基线没莱卡长 小屏幕 CCD 没即时取景 没有连拍 内存卡最大支持2GB 耗电量巨大 一节电池约拍100张 需要随身带多张卡 需要随身带多节电池 600万像素 咸鱼售价大约1W 好容易收到快递了 上弦按不下快门 也不知道哪里的问题 放了几个钟，又自己好了！             

大数据已死 大数据已死 "大数据"这个词，大家想必耳熟能详。这是最大众化的 IT 词汇之一，全社会曾经都热衷于它。  百度指数显示，"大数据"从2011年开始进入搜索引擎，然后快速传播，在2017年～2019年之间达到顶峰。 那时，大家都认为，数据在未来将指数式增长，世界将被海量数据淹没。如何处理这些数据，就成为了关键问题。它决定了一个企业甚至一个国家在信息时代的竞争力。 于是，企业纷纷寻求大数据解决方案，出现了很多相关的招聘岗位，还都是高薪。高校也积极响应，有报道称，国内有600多所高校开设了"大数据专业"或"大数据学院"，其中包括北京大学、复旦大学这样的名校。  但是，十年过去了，大数据并没有成为发展的瓶颈，我们依然足以处理产生的所有数据，在可预见的将来也是如此。 预言中的大数据时代，看上去不仅没有来临，反而变得遥遥无期了。 "大数据"这个词的热度，也在不断降温，被提及次数变少了，招聘岗位也慢慢不见了。 与之相应的是，"大数据"这个技术领域，也进展甚微，没有诞生新的概念和理论，技术没有突破，很多方向都停滞不前。 比如，专为处理大数据而设计的 NoSQL 数据库，声势越来越小，陷入停滞，反而是传统的关系型数据库（SQLite、Postgres、MySQL）强劲增长，越发受欢迎。 这是怎么回事？  谷歌的大数据工程师乔丹·蒂加尼 （Jordan Tigani），最近直言不讳地说："大数据已死"。 他认为，大数据时代已经结束了，大数据的存储和分析，作为一个技术问题已经解决了。 用户已经不必担心数据大小了，再多的数据都不是问题。 他提出了"大数据已死"的6个理由，我觉得很有说服力，下面就跟大家分享。 （1）绝大多数企业到不了大数据级别。 企业的数据量往往不到 1TB，很多甚至不到 100GB。 假设一家中等规模的制造业公司，拥有1000个客户，每个客户每天产生一个订单，每个订单包含100个产品。这家公司一天产生的数据量，依然远远小于 1 MB。三年后，数据总量也只有 1 GB，达到 1 TB 需要几千年。 就算是大型互联网公司，大多数时候也到不了大数据级别。假设某个营销活动有100万用户参加，并且同一时间，该公司开展了几十个这样的营销活动，每天的数据量依然不足 1 GB，就算加上各种日志，可能也只有几个 GB，这跟大数据相差甚远。 （2）存储和计算正在分离。 大数据包含"数据存储"和"数据计算"两个方面，如果放在一个系统里面处理，确实很难。 但是，这两方面现在已经能够脱钩，变成两个独立系统，各自都能独立扩展。这意味着，"数据计算"不受"数据存储"（数据库大小）的限制，反之依然。 因此，大数据作为单一问题就不存在了，变成了海量存储和大型计算两个问题。 （3）没有新业务的情况下，数据是线性增长的， 即每天的新增数据与以前的数据结构相同。 以前的数据一旦写入数据库，通常就不再发生变化，也没有新的计算需求，相关计算在以前就完成了。这时只要对最近的新增数据进行单独计算，然后保存就可以了。你很少需要每天扫描一遍旧数据：那些数据一成不变，为什么要一遍一遍计算它们呢？ 因此，对于一家企业来说，"数据会指数式增长"这个假设并不成立。而且，数据计算的需求，其实比数据存储的需求小得多，因为老数据很少需要再次计算。 （4）人们看重的往往只是最近的数据。最频繁的查询是针对24小时内产生的数据，一周前的数据的查询可能性要低20倍，一个月前的历史数据只会偶尔被查询。 这意味着，大数据更像静态数据，而不完全是动态数据。既然以前的数据很少用到，那么就可以压缩保存。一个包含10年数据的表格，可能会达到 PB 级别，但是如果压缩保存历史数据，压缩后可能不到 50 GB。 （5）真正拥有大数据的公司，几乎从不查询全部数据。他们90%的查询涉及的数据少于 100 MB，涉及 TB 级别数据的查询非常少。 就算查询 TB 级别数据，查询性能的优先级往往并不高。等一个周末或几天才拿到结果，通常是可以接受的。 另外，大型数据集的查询非常昂贵。谷歌的 BigQuery 的 PB 级别查询报价是 5,000 美元，即使是大公司也不会经常使用。 （6）硬件的飞速发展，使得单台计算机的计算能力大增。 2004年，谷歌发表 MapReduce 论文时，单机的计算能力还比较弱，很多计算必须通过分布式完成。 2006年，AWS 推出了 EC2 云主机，你只能用到一个单核 CPU 和 2 GB 内存。今天，AWS 的标准实例具有64个内核和 256 GB 内存。如果愿意多花钱，还可以拿到445个内核和超过 24 TB 内存。 单机计算能力大大增强，意味着大数据的最大难点----分布式计算----即使被用到，困难程度也大大降低。 综上所述，结论就是：数据量已经不需要特别关注了，再也不必担心处理不了海量数据了。 大数据作为一个技术问题，已经解决了。 [转载](https://www.ruanyifeng.com/blog/2023/03/weekly-issue-244.html)

Spark-TTS,极简版音频克隆 Spark-TTS,极简版音频克隆 干啥的？ 如果你是播客，经常在b站发视频解说之类的 可以录制一段你说话的录音 然后输入一段文本，生成音频，用你的音色生成一段音频 你还可以叫猪八戒给你讲故事 等等等等 使用方法非常简单 上传一段参考音频或者录制你自己的声音 输入你想转换成音频的文本 点击开始克隆即可 Spark-TTS是一款先进的文本转语音（Text-to-Speech，TTS）系统， 它利用大型语言模型（Large Language Model，LLM）的强大功能，实现了高度准确且自然流畅的语音合成。 该系统旨在为研究和生产使用提供高效、灵活且强大的解决方案。 Spark-TTS的核心优势在于其简洁性和效率。 它完全基于Qwen2.5构建，无需额外的生成模型，如流匹配模型等。 这一设计使得Spark-TTS能够直接从LLM预测的代码中重构音频，从而简化了流程，提高了效率，并降低了复杂性。 这种创新的方法使得Spark-TTS在语音合成领域具有显著的优势。 此外，Spark-TTS还支持零样本语音克隆（Zero-Shot Voice Cloning）， 这意味着它可以复制说话者的声音，而无需为该声音提供特定的训练数据。 这一功能在跨语言和代码切换场景中尤为有用，它允许Spark-TTS在不同的语言和声音之间无缝切换，而无需为每个语言或声音分别进行训练。 Spark-TTS还支持中文和英文，这使得它能够在多种语言环境中提供高质量的语音合成服务。 同时，通过调整参数如性别、音调和语速等，Spark-TTS还可以创建虚拟说话者，为用户提供更加个性化的语音合成体验。 然而，需要注意的是，Spark-TTS主要用于学术研究、教育目的以及合法应用，如个性化语音合成、辅助技术和语言学研究等。 用户在使用时应遵守当地法律法规和道德规范，不得将Spark-TTS用于未经授权的语音克隆、冒充、欺诈、诈骗、深度伪造或任何非法活动。 jian27打包 [https://www.jian27.com/html/1459.html](https://www.jian27.com/html/1459.html) 我在jian27打包基础上进行了二次负优化 将我不需要的web界面进行了删减 删减了原包中用不上的文件，压缩包整体进行了减肥(原作 5.99gb，本站负优化后，4.11gb) 修复了一个致命bug 当文本输入框中有回车换行时，原作只会生成第一句，剩下的都舍弃了 本站所发的版本已经修复该问题，回车也不影响音频生成 另外还加了显存回收 效果的话，大概能达到原音参考音频的7成左右 某些时候转换出来的音频会语速较快 需要黄皮显卡，显存4gb以上即可 推荐6gb以上显卡  回复后，刷新可以看见下载链接 隐藏内容，请前往内页查看详情