在安静的房间里,你可以轻松地与 AI 对话。但如果站在嘈杂的马路边,对着汽车说一句「打开后备箱」,它还能准确听懂吗?如果身边有几个人同时说话,AI 能否判断谁才是正在向它发出指令的人?如果用户说的是一个生僻地名、带有明显地区口音的普通话或方…
声浪
语音生成的进步,不只是把模型做得更大,而是不断找到真正限制系统的那一道边界。 从 CosyVoice、CosyVoice 2、CosyVoice 3,到 Qwen-Audio-3.0-TTS,我们重新回看了四代语音生成系统的技术演进。 贯穿…
当 AI 能够流畅接话、模仿情绪,甚至允许用户随时打断,语音交互似乎已经跨过了最难的一关。但从演示走进实际业务,开发者往往会发现:声音自然,不代表对话自然;回答正确,也不代表任务能够完成。 用户话没说完,AI 就抢着回答;一句补充说明,让系…
论文题目|VoxDub: A Bilingual Lip-Synchronized Audio-Visual Dataset for Automatic Video Dubbing 作者|王恺迪、管文豪、陈培杰、吴炜杰、林学涛、李琳、洪青阳…
现有音频评测大多按“语音、环境声音、音乐”等输入类型,或“转写、分类、问答”等任务组织。这些分类便于比较模型在具体任务上的表现,却难以说明任务背后的能力需求。同样是音频问答,辨认两个相近的声音、回忆之前出现过的声音,以及根据声音顺序推断事件…
论文题目:RealComm: Benchmarking and Adapting Audio Deepfake Detection over Real Communication Channels 文章链接:https://wwwwwli.…
人类语音远不止文字内容——笑声、叹气、喘息、咳嗽等非言语发声(Nonverbal Vocalization, NVV)传递着情感态度与交互信息,是语音理解、富有表现力的语音生成和语音编辑的重要线索。然而,现有研究大多将NVV简单表示为转录文…
近年来,大语言模型(Large Language Model, LLM)在语音、图像等多模态领域快速发展,空间智能也成为人工智能的重要方向。空间智能,是机器感知、理解和推理三维物理世界的能力,也是实现全场景智能生态的重要基础。 今天,小米开…
论文题目:AnyEdit: A Unified Framework for Speech and Singing Voice Editing with Real-World Environmental Consistency 收录会议:Ne…
Faster CosyVoice是 CosyVoice3 语音合成模型的开源 GPU 推理方案。通过 speculative decoding、FlashInfer DiT、跨请求 packed batching、deadline-awar…
