谷歌Gemini 3.1 Pro增加音乐生成功能
来源丨新智元、AI音频时代 谷歌在 7.5 亿月活的 Gemini 中上线了 AI 音乐生成功能，输入一句话或一张照片，几秒就能得到一首带人声和歌词的完整歌曲。背后是 DeepMind 最新的 Lyria 3 模型，训练数据超 200 万首…
19 0 0
最新声浪
查看全部 →
SpeechJudge：让机器真正理解“人类觉得什么是自然”
语音合成（TTS）领域长期存在一个矛盾：机器判断的“自然”与人类主观感受脱节。 这样的场景常常出现：你让AI生成一段语音，客观指标显示“完美”（如WER=0、FAD极低），但听起来却像机器人在背书。 如何让机器get到人类觉得“自然”的点？…
31 0 0
百变人声·身临其境：Ming-flash-omni-2.0 语音生成
百灵多模态团队节前前发布了 Ming-flash-omni-2.0，基于其语音模块，我们新发布了 Ming-omni-tts，通过模型 scale up 实现了更强的效果。 不管你是短视频博主配旁白，独立播客创作者想把单人对话变成双人播客，…
24 0 0
![语音/音频处理学术速递[2.20]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871349749878784.png)
![语音/音频处理学术速递[2.19]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871503588560896.png)
从“黑盒”到“透明”：Interspeech 2026音频推理挑战赛结果公布与方案分享
从多人对话中的语调起伏与逻辑重心，到环境音背后隐藏的空间几何与物体运动轨迹，再到复杂音乐中演奏技法与艺术情感的深层关联，音频理解不应止于结果的预测。为了透明评估音频模型的推理过程质量，避免通过语言偏见、训练数据偏见或错误的方法“猜中”答案，…
26 0 0
![语音/音频处理学术速递[2.18]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871022791299072.png)
除夕夜炸场！阿里 Qwen3.5 重磅开源：支持原生多模态能力，直接登顶开源宝座！
大年三十，当全国人民都在忙着包饺子、看春晚、抢红包的时候，阿里通义实验室却悄无声息地在 GitHub 上丢下了一枚“核弹”。 没有预热，没有发布会，Qwen3.5就这样在除夕夜正式发布了。 当我们还在讨论 DeepSeek 的性价比、GPT…
40 0 0
![语音/音频处理学术速递[2.17]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871180593598464.png)
![语音/音频处理学术速递[2.16]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026870858320056320.png)