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

通义千问Qwen团队宣布本周进入“Flash week”，第一弹推出了更新版本的Qwen3-30B-A3B 非思考和思考模式，命名为Qwen3-30B-A3B-Instruct-2507 和 Qwen3-30B-A3B-Thinking-2…

语音小管家

转载a year ago

在混响环境中进行说话人定位和自动跟踪是一项具有挑战性但又在众多基于音频的应用中常常需要完成的任务，例如免提手机、语音识别以及电话会议等。前面介绍的使用TDOA进行声源定位方法，在强混响或多路径环境中，互相关函数会出现多个峰值，TDOA 法可…

语音小管家

转载a year ago

来源丨机器之心 当前的文本到语音（TTS）模型在单句或孤立段落的语音生成效果上取得了令人瞩目的进展，合成语音的自然度、清晰度和表现力都已显著提升，甚至接近真人水平。不过，由于缺乏整体的对话情境，这些 TTS 模型仍然无法合成高质量的对话语音…

语音小管家

原创a year ago

论文标题：DeSTA2.5-Audio: Toward General-Purpose Large Audio Language Model with Self-Generated Cross-Modal Alignment Arxiv：h…

语音小管家

转载a year ago

语音识别（ASR）作为可以准确高效转录语音的技术，在当今社会中扮演着越来越重要的角色。当前语音识别已经取得了长足进步，但是当遇到不利语音条件时，识别错误率急剧升高。口音是说话人受到教育背景、地域或母语影响而偏离标准发音规范的情况，在现实世界…

语音小管家

转载a year ago

Step‑Audio 2是由StepFun团队开发的多模态大语言模型，可直接从原始音频输入理解语义与副语言信息，并生成连贯的文本与音频响应。 模型通过隐向量音频编码器、强化学习（RL）与检索增强生成（RAG）机制，引入工具调用（如 Web…

语音小管家

转载a year ago

近日，声网在2025世界人工智能大会发布新版对话式 AI 引擎，该版本新增声纹识别、数字人与视觉理解三项功能，实现对话式 AI 音视频交互体验的全新升级。同时，口袋 AI 毛绒宠物—芙崽 Fuzozo、家庭陪伴机器人—赋之 EBO Air…