EMNLP 2026|MosaicAudio:让视频配音兼顾四种感知目标
原创2 days ago
EMNLP 2026|MosaicAudio:让视频配音兼顾四种感知目标

四位感知专家分别提供指导,一个学生模型完成生成。MosaicAudio 通过多教师在策略蒸馏,整合语义、同步、审美与空间四个维度的反馈,推理时无需调用教师模型。 画面里,一只杯子落在桌上。配音模型可能已经选对了玻璃碰撞声,但声音比接触动作晚…

81 0 0
在沙盒里打一万通电话:语音 Agent 的模拟训练场
原创3 days ago
在沙盒里打一万通电话:语音 Agent 的模拟训练场

我们的语音模型要在真实电话里帮用户办事:改签一张机票、续一份车险、协商一笔逾期欠款。离线评测里,它的工具调用格式正确,业务规则也答得上来,但进入真实对话仍会出问题。 以一通模拟的航班改签电话为例。旅客先说:「我们两个人要一起走,尽量别拆到不…

88 0 0
LoOPSD:让大模型向“多算几层的自己”学习
原创5 days ago
LoOPSD:让大模型向“多算几层的自己”学习

近年来,在线策略蒸馏(On-Policy Distillation,OPD)逐渐成为提升大语言模型推理能力的重要方法。它让学生在自己生成的回答轨迹上,学习教师提供的 token 级预测。进一步地,在线策略自蒸馏(On-Policy Self…

103 0 0