论文信息 VeriSpoof: Beyond Real or Fake with One Audio LLMYang Xiao, Ting Dang · The University of Melbourne 📄 论文:arXiv 261…
声浪
Wuli-Art 发布了基于 MiniMax-H3 的少步音视频生成模型 MiniMax-H3-Turbo,提供 4、6、8 步三个固定步数版本,支持文生音视频与首帧条件生成,配套工作流支持可选尾帧。模型采用轨迹蒸馏、DMD 和 GAN 相…
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…
近年来,低资源多语言 TTS 的语言覆盖范围不断扩大,从早期面向少数高资源语言的单语建模,逐步走向覆盖上千种语言的多语言语音生成。然而,语言覆盖广,不等于复杂文本输入下依然可靠。真实场景中的 TTS 输入往往包含数字、日期、命名实体、长句、…
研究团队:香港科技大学(HKUST) · Noiz AI · 华盛顿大学(UW) 论文题目:Spatial Audio Generation and Editing with Executable Plans and Self-Distil…
理解真实世界中的对话,既需要准确识别语音内容,也需要忠实描述说话人之间的信息交换。多说话人语音识别(Multi-Speaker Automatic Speech Recognition, MSASR)旨在识别语音内容,并将每个语音片段准确关…
文章链接:https://arxiv.org/abs/2605.05927 GitHub链接:https://github.com/dreamtheater123/TextPro-SLM
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…
大语言模型已经开始逐字生成回答,语音助手却迟迟不开口,原因可能出在 TTS:它仍要等完整文本,才能生成声音。流式 TTS 在文本陆续到达时开始合成,前面的音频播放时,后面的内容还在生成。 这种需求在语音对话中尤其明显:上游 LLM 还在生成…
NVIDIA 发布了开放权重语音模型 Nemotron 3.5 Transcribe,同时推出 Granary v2 多语言数据清单和可复用的数据整理流水线。单个模型即可完成语音转写、说话人归属标注、翻译和音频问答。 该模型支持 40 种语…
