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。相机参数与特性对焦/取景： 手动对焦，基线没莱卡长，小屏幕，没即时取景性能/存储： CCD，没有连拍，内存卡最大支持 2GB续航/像素： 耗电量巨大（一节电池约拍 100 张），需要随身带多张卡、多节电池；600 万像素使用体验咸鱼售价大约 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. 数据是线性增长的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机计算能力大增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

Spark-TTS,极简版音频克隆 Spark-TTS：极简版音频克隆核心功能如果你是播客主，或者经常在 B 站发布视频解说，可以使用这款工具：音色克隆：录制一段你说话的录音，即可用你的音色生成任意文本的音频。趣味应用：你可以让“猪八戒”给你讲故事，实现极具个性化的语音输出。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。技术原理与优势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。简洁与高效：完全基于 Qwen2.5 构建，无需额外的生成模型（如流匹配模型等）。通过直接从 LLM 预测的代码中重构音频，简化了流程，提高了效率并降低了复杂性。零样本语音克隆 (Zero-Shot Voice Cloning)：支持在无需特定训练数据的情况下复制说话者的声音。这在跨语言和代码切换场景中尤为有用，允许在不同语言和声音之间无缝切换。多语言与个性化：支持中文和英文。通过调整性别、音调和语速等参数，可以创建虚拟说话者，提供个性化的语音合成体验。注意：Spark-TTS 主要用于学术研究、教育目的及合法应用（如辅助技术、语言学研究等）。用户应遵守法律法规，不得用于未经授权的冒充、欺诈、深度伪造或任何非法活动。版本优化说明下载地址： jian27打包我在 jian27 打包的基础上进行了“二次负优化”：瘦身减重：删减了不需要的 Web 界面及冗余文件（原包 5.99GB $\rightarrow$ 本站优化后 4.11GB）。Bug 修复：修复了原版文本输入框中含有“回车换行”时，仅能生成第一句的问题。本版本已支持回车不影响音频生成。性能优化：增加了显存回收功能。效果预期：音质大概能达到原音参考音频的 7 成左右。某些情况下转换出的音频语速会较快。硬件要求显卡：需要 NVIDIA 显卡（黄皮显卡）。显存：4GB 以上即可，推荐 6GB 以上。提示： 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