语音对话领域的首个强化学习奖励模型WavReward, 可以同时针对文本和语音信息进行反馈
近期，浙江大学联合阿里巴巴通义实验室发表了一篇题为“WavReward: Spoken Dialogue Models With Generalist Reward Evaluators”的论文。该论文提出了一种基于音频理解大模型Qwen2…
32 0 0
最新声浪
查看全部 →
Interspeech 2025丨上交大跨媒体语言智能实验室6篇录用论文分享
分享上海交通大学 X-LANCE 跨媒体语言智能实验室6篇被interspeech2025录用论文。 01、LSCodec: Low-Bitrate and Speaker-Decoupled Discrete Speech Codec
26 0 0
智源OmniGen2登场，国产多模态图像生成开源！一周狂揽2000星外网爆火
来源丨新智元 智源统一图像生成模型OmniGen2发布后，立刻在AI图像生成领域掀起巨响，多模态技术生态进一步打通。才一周，GitHub星标就已经破了2000，X上的话题浏览数直接破数十万。 刚刚，统一图像生成模型OmniGen2携重大升级…
18 0 0
![语音/音频处理学术速递[7.3]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-03/1940676921822154752.jpg)
Interspeech2025 | EThai-ASR：基于弱监督数据精炼和灵活序列压缩的LLM-ASR
低资源语音识别（ASR）长期面临两大核心挑战：高质量标注数据稀缺与高昂的计算需求，这在泰语等特定语言中尤为突出。现有解决方案往往受限于大规模、精确标注语料的获取难度，以及大模型（LLM）固有的计算负担。近期，西北工业大学音频语音与语言处理研…
15 0 0
UniSep：基于语言模型的通用目标音频提取
本文由清华大学与香港中文大学、腾讯AI Lab合作，提出了基于大语言模型（LLM）的通用目标音频分离方法：UniSep，实现了对任意混合音频的目标分离。与以往只针对单一领域或单一源的分离工作不同，UniSep支持任意类型音频的目标分离。通过…
23 0 0
![语音/音频处理学术速递[7.2]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-02/1940332486953406464.jpg)
SkyReels-Audio：让肖像"动"起来 - Skywork AI开创全能音频驱动的人像视频生成技术
来源丨AI音频时代 SkyReels-Audio 是 Skywork AI 团队开发的一款创新框架，能够将静态图像或视频与语音输入相结合，生成高度逼真且唇形同步的说话人像视频。 该框架基于预训练的视频扩散变换器构建，支持无限长度的视频生成和…
17 0 0
ICME 2025 | MM-TTS：一种多阶段的多模态可控语音合成框架
本文由清华大学与腾讯优图实验室合作，研究基于多模态数据的可控语音合成。现有的面部驱动的语音合成方法由于数据质量限制，在鲁棒性和泛化性方面存在缺陷；而文本描述驱动的语音合成方法则存在多样性有限和精细控制不足的问题。另一方面，尽管多模态驱动的语…
29 0 0
ACL 2025丨首个端到端语音大模型知识理解基准 VoxEval 发布
随着ChatGPT、Claude等文本大模型的爆火，人们开始期待更自然的语音交互方式。然而，当前的语音大模型在知识理解方面表现如何？它们能否像人类一样通过纯语音进行复杂的知识问答？ 来自香港中文大学的研究团队在ACL 2025主会上发表了一…
26 0 0