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a year ago

来源丨乐百一家 咱们先聊聊华为这篇论文的核心目标——解决ASR（自动语音识别）里“专有名词老认错”的问题。比如像“ChatGPT”“长江白鲟”这种领域特定的命名实体，ASR（比如Whisper）在通用场景里挺准，但遇到这些词常转错，后续用这…

语音小管家

转载a year ago

语音大语言模型（Speech LLM）想落地，绕不开一个死结：既要快速理解语音里的语义，又要说出自然的音色，还得实时响应。比如智能音箱 “听不懂” 语音，车载助手 “说” 得像机器人，实时翻译延迟卡半秒。深究根源，全在 “语音 Token…

语音小管家

转载a year ago

来源丨机器之心 深夜，GPT-5 系列迎来大更新：上线 GPT-5.1 Instant 以及 GPT-5.1 Thinking 模型。 GPT-5.1 Instant：ChatGPT 最常用的模型，更温暖、更智能，也更善于遵循指令的模型。…

语音小管家

转载a year ago

来源丨魔塔modelscope社区 近期，阶跃星辰发布了全球首个开源 LLM 级音频编辑大模型 —— Step-Audio-EditX。 该模型能够通过语言指令或迭代方式，精准控制音频的情感、说话风格和副语言特征，并实现零样本文本转语音（Z…

语音小管家

转载a year ago

大家好，欢迎来到「AudioCC交我学」专栏！ 一、技术必要性分析 稀疏注意力的发展主要源于三方面需求： 计算效率需求：传统注意力在处理长文档、高分辨率图像等任务时，计算量随长度平方增长，严重制约模型扩展性。 内存优化需求：注意力矩阵的显存…

语音小管家

转载a year ago

来源丨量子位 最强语音转文字模型，正在硅谷被热议。 直接把“快、 准、全”三个字拉到了新高度。 来自AI语音独角兽公司ElevenLabs，刚刚发布了Scribe v2 Realtime实时语音转文本模型，网友表示：Next-Level。…

语音小管家

转载a year ago

来源丨新智元、开源星探 Meta发布了Omnilingual ASR系统，一个可自动识别转录1600多种语言语音的AI模型族，让几乎所有人类语言都能被机器「听懂」。 语音识别（ASR）一直是 AI 语音领域的“硬骨头”。在世界上7000多种…