语音识别中有用的前端算法
嘈杂环境下的语音识别一直是该领域的一个较为困难的问题，虽然降噪算法可以提升语音质量，但是降噪后的语音对于语音识别的提升并不明显，甚至有可能起到相反的作用。因此在语音识别领域，更多的研究关注在如何让声学模型具有更好的噪声鲁棒性，比如在训练过程…
46 2 0
最新声浪
查看全部 →
中文语音领域超强 “活人感” 模型来了，Soul App 升级自研端到端全双工语音通话大模型
近日，社交平台Soul App正式升级自研端到端全双工语音通话大模型，发布SoulX-DuoVoice。新模型摒弃了传统语音交互中依赖的 VAD（话音激活检测）机制与延迟控制逻辑，打破行业中普遍存在的“轮次对话”模式，赋予 AI 自主决策对…
30 0 0
低复杂度降噪技术：助力扫地机器人实现高效实时语音处理
在智能家居设备中，扫地机器人的语音交互功能常受限于其自身运行时产生的高强度噪声，尤其是在信噪比（SNR）低至 - 10 dB 甚至更低的环境下，提取有效语音指令变得极具挑战。 针对这一问题，韩国庆北国立大学与 LG 电子先进机器人实验室的研…
22 0 0
InterSpeech2025丨语音编辑的情感校正数据和方案
本次分享由内蒙古大学刘瑞教授与美国约翰霍普金斯大学Berrak Sisman、美国卡耐基梅隆大学Carlos Busso、香港中文大学（深圳）李海洲教授合作发表于Interspeech 2025的语音编辑情感校正工作《Towards Emo…
27 0 0
从IndexTTS2看自回归新突破：兼顾表现力与时长的语音合成范式革新
在语音合成（Text-to-Speech, TTS）领域，自回归（Autoregressive, AR）模型以其在韵律自然性和风格迁移上的优势备受青睐，但长期以来受限于语音时长难以精确控制的难题。与之相对，非自回归（Non-Autoregr…
17 0 0
多情感语音编辑数据集ECD-TSE现已开放下载！
内蒙古大学S2LAB刘瑞教授联合美国约翰霍普金斯大学、美国卡耐基梅隆大学、香港中文大学（深圳）等单位推出了首个面向情感一致性建模的多情感语音编辑数据集——ECD-TSE。该数据集大约90小时，涉及到5种情感，涵盖11个主题内容，总计84,0…
18 0 0
开源TTS语音新标杆！Kyutai TTS：350ms延迟碾压全场，词级时间戳重构！
近日，法国AI实验室Kyutai正式开源其高性能TTS语音模型：Kyutai TTS。 它是一款基于Delayed Streams Modeling（DSM）框架的实时文本转语音（TTS）模型，支持流式文本输入、超低延迟和高保真语音生成。…
19 0 0
让对话更自然：NTPP模型用双声道音频学习革新语音对话语言建模
当前，尽管语音基础模型 (Speech Language Model (SLM)) 在模拟人类对话方面取得了显著进展，但如何让机器真正理解并参与到自然、流畅、实时的口语互动中，尤其是在两人对话场景下，仍是一个巨大挑战。现有方法往往难以充分利…
23 0 0
INTERSPEECH2025｜迈向稳健的重叠语音检测：一种基于 WavLM 的说话人感知渐进式方法
多说话人对话识别是语音处理领域中最具挑战性的问题之一，尤其准确识别重叠语音区域极具挑战。多说话人语音重叠不仅涉及语音片段的重叠，还涉及说话人表征的重叠。有效应对这些挑战对于说话人分离、语音识别以及多说话人对话系统等应用至关重要 。重叠语音检…
37 0 0
![语音/音频处理学术速递[7.4]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-04/1941040846208110592.jpg)
