下一代语言模型架构走向何方？LSTM之父领衔，KAUST、港大、华为等共同发布领域全面综述
本文来源丨机器之心 Scaling up 是大模型的标志，也引领了近几年语言模型技术的飞跃。然而实际上，大语言模型架构，作为其最本质的计算基础，也在近年来持续发展。GQA、MLA、各式稀疏注意力模块的提出，或是 Mamba、Gated De…
34 0 0
最新声浪
查看全部 →
DRAMA-Eval：剧本级、多轮、多说话人语音生成的统一评测基准来啦！
有声书、广播剧、影视配音，正在成为语音生成最真实的落地场景。这里的“考题”早已不是把一句话读得自然：模型要先读懂场景背景和人物角色描述，再按每一句台词对应的指令调整语气、语速和情绪，还要在十几轮对话中始终是“同一个人”、始终待在“同一场戏”…
39 0 0
WenetSpeech-Min：首个双语抄本的大规模闽南语语音语料库开源
闽南语广泛使用于我国福建、台湾及东南亚华人社区，在日常交流中有其独特的词汇和表达方式。在影视剧、有声书、娱乐节目等真实媒体中，闽南语语音还呈现出多样的说话风格和录音条件。要让语音系统听懂、说好闽南语，需要足够大、足够贴近真实场景的数据；但现…
38 0 0
DM-ASR：日志感知的多说话人语音识别框架
标题：DM-ASR: Diarization-aware Multi-speaker ASR with Unified Offline and Online Decoding with Large Language Models 链接：ht…
48 0 0
从游戏引擎到世界模型：LiveFoley 打造即插即用实时音效引擎
游戏引擎渲染的画面、AR/VR 里的交互，都不是视频生成模型生成的，自然也没有谁顺带生成声音；电影实拍镜头，基本要靠后期音效重新做。现在的文生音视频和有声世界模型，音频生成绑定在自家的视频生成过程里，只能给自己生成的画面配声音。流式视频生音…
35 0 0
技术解读｜听懂情绪，回应有性格：语音模型的共情与人设能力
当用户叹着气说“今天真的好累”，要回应得自然，模型既要听懂这句话，也要留意声音里的疲惫，再结合上下文判断对方是在倾诉、寻求安慰，还是希望得到具体帮助。同样一句“我没事”，平静的语气与带着哭腔的表达，也可能对应完全不同的交流需求。 为进一步提…
37 0 0
小红书升级发布 dots.tts.edit V1.1：复杂精确语音编辑大幅升级，综合表现领跑开源
配音录好了，名字需要替换；词句都对，某处的语气、语速或停顿却还差一点。能否只改这些地方，让其余内容和声音特征保持稳定，整段语音仍然自然流畅？ 近日，小红书升级发布端到端精确语音编辑模型 dots.tts.edit V1.1，面向的正是这类需…
33 0 0
![语音与音频学术速递[11.11]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-11-12/2120705346178781185.png)
语音与音频学术速递[11.11]
今日论文合集：CS.SD语音与音频 共 10 篇。 本文经arXiv每日学术速递授权转载，微信公众号：arXiv_Daily [机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准 快速导航 1. 语音识别与关键词检测 2…
31 0 0
ISCSLP 2026 | LALM-NVV：基于 LALM 反馈偏好优化的连续自回归非语言发声生成
自然交流不只有文字。笑声、叹息、哭泣、打哈欠等非语言人声（Nonverbal Vocalizations, NVVs），同样承载着情绪、态度与交互意图。对于语音合成系统而言，真正的挑战不仅是“把字读对”，还包括在指定位置生成恰当的非语言人声…
32 0 0
技术漫谈｜听清之后，音频理解大模型如何真正听懂多人对话？
把下面这段讨论交给 AI，即使每个字都识别正确，它也未必能真正听懂： 小林：“这个版本周五能上线吗？” 小周：“可以吧……” 小陈几乎同时插话：“不行，支付还没测完。” 小周是在确认，还是有所保留？小陈反对的是方案本身，还是当前的上线安排？…
61 0 0