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10 months ago

继 SAM（Segment Anything Model）、SAM 3D后，Meta 又有了新动作。 深夜，Meta 放出音频分割模型SAM Audio，其通过多模态提示（无论是文本、视觉，还是标注时间片段），让人们能够轻松地从复杂的音频混…

语音小管家

转载10 months ago

标题：Joint Speech and Text Training for LLM-Based End-to-End Spoken Dialogue State Tracking 地址：https://arxiv.org/pdf/2511.…

语音小管家

转载10 months ago

只需3秒录音，就能让你的声音无缝切换语种、方言与情绪——中、粤、日、英、开心、愤怒......9 种通用语言、18种方言，通通搞定！ 一段嘈杂环境下的会议录音，AI 也能毫秒级输出文字，绕口令、RAP、背景音乐干扰，照样精准识别！ 通义百聆…

语音小管家

转载10 months ago

A Survey on Speech Large Language Models for Understanding 论文作者：彭景¹²*，王雨诚³*，李波含¹²，郭奕玮¹²，王翰坤¹²，方衍贵⁵，奚彧¹²，李浩宇¹²，李旭⁴，张克⁶，王帅…

语音小管家

转载10 months ago

跨语言情感语音合成（Cross-lingual Emotional Speech Synthesis）旨在在不改变语音语言内容信息的前提下，将源语言语音中的情感特征自然迁移到目标语言的合成语音中。这一技术在电影配音、多语言虚拟人等场景中有着…

语音小管家

转载10 months ago

本系列的十篇文章，是对之前文章中提到的十个趋势进行详细的剖析。 关于未来语音技术和应用趋势的10点看法 在这个系列文章中，会穿插科普、技术综述、技术发展路线，以及一些个人和其他行业专家的思考。希望通过这一系列文章，无论读者之前对语音技术和应…

语音小管家

转载10 months ago

大家好，欢迎来到「AudioCC交我学」专栏！ 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…