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6 months ago

本文来源：阿里云云原生 作者：雀贤、文婷、复礼、稚柳 随着大语言模型（LLM）、语音识别（ASR）、语音合成（TTS）等能力逐步成熟，AI Agent 开始从文本交互走向语音交互，典型场景包括 AI 教师、AI 情感聊天、AI 助手等。相比…

语音小管家

转载7 months ago

「现存问题」 TTS（文本转语音）这两年进步很快，很多模型在测试集上能做到很低的 WER（词错误率），听起来“字面上没问题”。 但现实场景里，用户真正关心的往往不是“每个词都对”，而是： 这段语音里提到的关键信息我能不能抓住？例如：日期、金…

语音小管家

转载7 months ago

来源丨新智元 AI音乐变天了！Mureka V8强势登顶AA榜，包揽人声与器乐双项冠军。而这仅仅是开始，下一代Mureka V9已在路上了！ 双榜封顶，实至名归！ 就在今天，AI音乐大模型Mureka V8在权威Artificial Ana…

语音小管家

转载7 months ago

现在的配音模型有时会“顾此失彼”：为了追求声音像，可能时机就不准了；为了追求时机准，音质有可能会变差。这是因为模型试图用一套标准同时满足所有要求，导致目标之间互相“打架”。 为了解决这个问题，通义实验室开源发布了PrismAudio。 论文…

语音小管家

转载7 months ago

开源多模态生成领域，迎来架构级的底层突破。 视频生成已成为当前生成式 AI 最前沿的方向，但在音视频联合同步生成领域，开源界仍面临三重局限： 音视频不同步：视频和音频往往语义对齐精度不足。 架构设计复杂：现有方案要么将音频视为从属信号，要么…

语音小管家

转载7 months ago

在自然人机交互中，实现如同人类般“边听边说”的全双工语音对话（Full-duplex Spoken Dialogue）一直是语音交互系统的终极目标。与传统的半双工系统不同，全双工系统要求模型能够在用户发言过程中，实时判断是否需要继续倾听、生…

语音小管家

原创7 months ago

AudioCC交我学 作为学术研究者与实践者的连接点，我们致力于打造一个专注于语音技术的学术交流平台——「AudioCC交我学」专栏。在这里，我们将以简洁、专业的视角，解读听觉认知与计算声学领域的前沿论文，分享技术创新与应用实践的最新动态。…