英伟达开源实时语音智能体的终极 ASR：24ms 极速锁定。
NVIDIA（英伟达）最近开源了最新的Nemotron Speech ASR模型。这是一款专攻低延迟、实时流式场景的语音识别模型。 做 AI 语音开发的朋友都知道，ASR（语音转文字）一直是实时交互中那块难啃的骨头。尤其是 Streamin…
29 0 0
最新声浪
查看全部 →
Index-ASR技术报告（bilibili团队出品）
标题：Index-ASR Technical Report 链接：https://arxiv.org/pdf/2601.00890 发表日期：2026年1月6号 作者单位：Artificial Intelligence Platform D…
35 0 0
TASLP 2026 | 仅需少量样本，让AI“听音观像”：语义调制提示学习框架 SMP
小样本视听分类（Few-Shot Audio-Visual Classification, FS-AVC）是多模态学习领域极具挑战性的任务。它要求模型在仅有极少量标注样本的情况下，通过挖掘视觉与听觉的互补信息，实现对新类别的准确识别。 然而…
16 0 0
![语音/音频处理学术速递[1.7]](https://api.speechhome.com/Resources/Thumb/2026-01-08/2009201605148282880.jpg)
「全球大模型第一股」来了！智谱港交所敲钟，市值达528亿港元
来源丨新智元 2026年1月8日，智谱登陆港交所，成为全球首家以AGI基座模型为核心业务的上市公司。凭借GLM技术与MaaS商业化增长，它以「全球大模型第一股」的稀缺性吸引顶级资本加持，也标志着中国AGI企业正式走向资本市场舞台中央。 20…
15 0 0
【交我学-21】离散表征的引入：回顾TTS任务进入大模型时代的发展历程
AudioCC交我学 过去几年里，语音生成（TTS）任务经历了一次非常深刻的变化：从传统的声码器 + 声学模型架构，逐步跨入“语音大模型（Speech-LM）时代”。 在这个转折点上，一个关键的技术方向愈发重要——离散语音表征（Discre…
24 0 0
真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge
来源丨新智元 文本领域的大模型满分选手，换成语音就集体挂科？大模型引以为傲的多轮对话逻辑，在真实人声面前竟然如此脆弱。Scale AI正式发布首个原生音频多轮对话基准Audio MultiChallenge，直接撕开了大模型靠合成语音评测维…
16 0 0
为什么我们不做“能说会道”的语音助手？
先说我的观点 如今市面上有很多类似的产品，大部分通过串联不同 API 来实现与不同形态机器的对话。这是一个已经形成多年共识的方向，也代表了人们对 AI 的终极想象——希望它能真正像人一样与我们对话。 既然如此，为什么不去开发交互能力强、能说…
19 0 0
![语音/音频处理学术速递[1.7]](https://api.speechhome.com/Resources/Thumb/2026-01-07/2008824247430025216.jpg)
全球最大具身智能数据集开源，包含10000小时数据！存储总量达95TB！
来源丨机器之心、具身智能大讲堂 Gen Robot.AI团队在Hugging Face平台公开了10Kh RealOmni-Open数据集，该数据集累计包含超10000小时数据、100万+任务剪辑，存储总量达95TB，是当前行业内规模领先的…
19 0 0