语音生成的进步,不只是把模型做得更大,而是不断找到真正限制系统的那一道边界。 从 CosyVoice、CosyVoice 2、CosyVoice 3,到 Qwen-Audio-3.0-TTS,我们重新回看了四代语音生成系统的技术演进。 贯穿…

最新声浪
查看全部 →当 AI 能够流畅接话、模仿情绪,甚至允许用户随时打断,语音交互似乎已经跨过了最难的一关。但从演示走进实际业务,开发者往往会发现:声音自然,不代表对话自然;回答正确,也不代表任务能够完成。 用户话没说完,AI 就抢着回答;一句补充说明,让系…
论文题目|VoxDub: A Bilingual Lip-Synchronized Audio-Visual Dataset for Automatic Video Dubbing 作者|王恺迪、管文豪、陈培杰、吴炜杰、林学涛、李琳、洪青阳…
现有音频评测大多按“语音、环境声音、音乐”等输入类型,或“转写、分类、问答”等任务组织。这些分类便于比较模型在具体任务上的表现,却难以说明任务背后的能力需求。同样是音频问答,辨认两个相近的声音、回忆之前出现过的声音,以及根据声音顺序推断事件…
近年来,音频语言大模型(LALM)与端到端全模态交互飞速进化,机器不仅能识别人声,还能感知环境声与音乐。然而,大多数LALM仍停留在单声道的平面世界里。它们能回答“发生了什么”,却无法判断:婴儿哭声是在卧室还是走廊?水流声和脚步声谁离我更近…
论文题目:RealComm: Benchmarking and Adapting Audio Deepfake Detection over Real Communication Channels 文章链接:https://wwwwwli.…
人类语音远不止文字内容——笑声、叹气、喘息、咳嗽等非言语发声(Nonverbal Vocalization, NVV)传递着情感态度与交互信息,是语音理解、富有表现力的语音生成和语音编辑的重要线索。然而,现有研究大多将NVV简单表示为转录文…
今日论文合集:CS.SD语音与音频 共 9 篇,本文展示前 7 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…
近年来,大语言模型(Large Language Model, LLM)在语音、图像等多模态领域快速发展,空间智能也成为人工智能的重要方向。空间智能,是机器感知、理解和推理三维物理世界的能力,也是实现全场景智能生态的重要基础。 今天,小米开…
