面向听觉智能与物理AI的
人机交互开发者社区

语音小管家

转载3 months ago

SSNA团队 投稿，量子位 | 公众号 QbitAI 迁移学习里的“源数据”，未必非得是图像、文本或音频。 一组从高斯分布里随机采样出来、没有任何语义的噪声，也能帮助模型在少量标注下学得更好。 这项工作名为半监督噪声自适应（Semi-Sup…

语音小管家

转载3 months ago

通义千问正式发布第三代图像生成基座模型 Qwen-Image-3.0，重点提升复杂指令理解、信息图生成与文字渲染能力。 核心特点 内容丰实：支持最大4.5k token输入，轻松生成报纸、分镜、试卷等复杂版面。 细节真实：支持 10px 小…

语音小管家

转载3 months ago

Qwen-Audio-3.0-TTS实时语音合成模型发布。本次发布包含两个版本： Flash：面向实时交互，首包延迟在300ms左右。 Plus：面向高质量生成，在自然度和音色还原度上表现更佳。 本次更新，我们把精力放在了开发者在生产环境中…

语音小管家

原创3 months ago

GitHub：https://github.com/Eps-Acoustic-Revolution-Lab/EAR-Audio-Preview VS Code Marketplace：https://marketplace.visualst…

语音小管家

转载3 months ago

近年来，基于大语言模型（LLM）的文本转语音技术快速发展，基于大语言模型（LLM）的TTS方案已经在自然度、音色相似度和零样本音色克隆（zero-shot voice cloning）等方面取得显著进展。然而，随着语音助手、实时语音对话、虚…

语音小管家

转载3 months ago

今天，字节跳动发布能同时生成人声、音效和环境声的音频创作模型 Seed Audio 1.0。 其核心能力主要体现在以下方面： 多要素统一编排，支持精细的时间控制：一条 prompt 即可统一编排带有特定情绪的对白、关键音效和环境声，并可按时…

语音小管家

转载3 months ago

来源丨SV4Good AI Lab Sora、Kling 等文生音视频模型，能画出逼真画面、配上同步声音，但真的懂声学物理吗？吹空瓶子 vs 吹装水瓶子、敲木头 vs 敲金属，模型能生成符合物理规律的声音吗？ 本文介绍由香港科技大学（广州）…

语音小管家

原创3 months ago

近日，语音 AI 初创公司 Rime 宣布完成 2400 万美元 A 轮融资。本轮由知名风投机构 M13 领投，Twilio Ventures、Corazon Capital、Unusual Ventures 和 Cadenza Ventu…