IEEE TASLP | FPO: 细粒度偏好优化提升零样本TTS鲁棒性
近年来，基于大语言模型（LLM）的零样本文本转语音（Zero-shot TTS）系统发展迅速，已经能够在仅提供几秒参考音频的情况下，合成自然、清晰、且具有说话人风格的语音。然而，即便是最先进的系统，在真实使用场景中仍然频繁出现一些“局部灾难…
12 0 0
最新声浪
查看全部 →![语音/音频处理学术速递[1.6]](https://api.speechhome.com/Resources/Thumb/2026-01-07/2008824074238824448.jpg)
BigVGAN 平替：高保真声码器 Flow2GAN
新一代 Kaldi 团队近日开源了一个自研音频生成模型（声码器）Flow2GAN，质量高、速度快、好训练，是 BigVGAN 一个不错的替代方案，欢迎体验。 论文：Flow2GAN: Hybrid Flow Matching and GAN…
26 0 0
IEEE T-ASLP | 面向资源受限场景的高效说话人深度表征学习训练框架
随着深度学习技术在语音领域的广泛应用，说话人验证（Speaker Verification, SV）系统正朝着更深、更大的神经网络架构演进。以 ResNet101、DF-ResNet 等为代表的深度嵌入提取器显著提升了系统性能，但其高昂的…
15 0 0
![语音/音频处理学术速递[1.5]](https://api.speechhome.com/Resources/Thumb/2026-01-05/2008097956795912192.jpg)
十万级热词也能稳住：面向工业落地的 LLM-ASR 上下文偏置方案
基于热词检索与强化学习的 LLM-ASR 上下文偏置新框架。 论文：Contextual Biasing for LLM-based ASR with Hotword Retrieval and Reinforcement Learning…
47 0 0
MIT发现让AI变聪明的秘密，竟然和人类一模一样
来源丨新智元 你有没有发现，你让AI读一篇长文章，结果它读着读着就忘了前面的内容？ 你让它处理一份超长的文档，结果它给出来的答案，牛头不对马嘴？ 这个现象，学术界有个专门的名词，叫做上下文腐化。 这也是目前AI的通病：大模型的记忆力太差了，…
17 0 0
重塑语音安全！上海交大联合宇生月伴，研发高性能高泛化语音鉴伪大模型
在生成式 AI 技术日新月异的背景下，合成语音的逼真度已达到真假难辨的水平，随之而来的语音欺诈与信息伪造风险也愈演愈烈。作为应对手段，语音鉴伪技术已成为信息安全领域的研究重心。 然而，当前的语音鉴伪模型正面临严峻的「泛化性挑战」：许多在特定…
22 0 0
微信炼出扩散语言模型，实现vLLM部署AR模型3倍加速，低熵场景超10倍
来源丨机器之心 讯微信 AI 团队提出 WeDLM（WeChat Diffusion Language Model），通过在标准因果注意力下实现扩散式解码，在数学推理等任务上实现相比 vLLM 部署的 AR 模型 3 倍以上加速，低熵场景更…
23 0 0
IEEE TASLP | C²SER：利用上下文感知与思维链实现鲁棒语音情感识别
语音情感识别（Speech Emotion Recognition, SER）旨在从语音信号中自动识别说话人的情感状态，是实现自然人机交互和情感计算的关键技术。随着大型音频语言模型（Audio Language Models, ALMs）的…
26 0 0