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

原创a year ago

零样本歌声合成（SVS）旨在基于音频或文本提示，生成具有未见过的多级别风格的高质量歌声。该领域在专业音乐创作和短视频配音方面具有广泛的潜在应用。尽管传统的歌声合成任务已经取得了显著进展，但人们对更具定制化的体验需求日益增长。这不仅包括通过音…

语音小管家

转载a year ago

近年来，神经网络偏置（Deep Biasing）方法在上下文语音识别（Contextual ASR）任务中取得了显著进展，其旨在提升模型对实体名称、技术术语等罕见短语的识别能力。当前主流方法多基于浅融合或神经网络偏置技术，将上下文短语中的子…

语音小管家

转载a year ago

语音转文字（STT）常需云端处理或复杂软件安装，隐私和便利性难以兼得。 Say是一款基于Whisper和Transformers.js的开源浏览器内语音转文字工具，完全本地运行，保护隐私，同时提供实时转录和富文本编辑。 其核心特点包括 •浏…

语音小管家

原创a year 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…

语音小管家

转载a year ago

近日，阿里通义实验室开源了旗下首个音频生成模型ThinkSound，该模型首次将CoT（Chain-of-Thought，思维链）应用到音频生成领域，让AI可以像专业音效师一样逐步思考，捕捉视觉细节，生成与画面同步的高保真音频。 目前，Th…

语音小管家

转载a year ago

流式语音识别（streaming ASR）因其低延迟、高效率的特点，适用在诸多“快速出字”的应用中。当前主流的端到端模型包括 CTC、RNN-T 和基于注意力的编码器-解码器（AED）。其中 CTC 凭借结构简单，在流式场景中被广泛采用。为…

语音小管家

转载a year ago

在通用人工智能（AGI）备受瞩目的今天，音频大模型的研究也正快速推进。但相比图文多模态的成熟体系，音频领域仍面临巨大的挑战。不同类型的音频任务——如语音识别、音频事件检测、音乐理解等——往往“各自为政”，难以统一建模。为解决上述问题，西工大…