声浪

每日语音速递

转载6 months ago

来源丨开源星探 做视频剪辑的人都懂，从几小时的素材里剪出一段踩点精准、叙事流畅的短视频有多折磨人。 特别是对于旅拍博主和Vlogger来说，拍了一天5-6小时的素材，回来还要花好几个小时慢慢剪，真正的创作热情都被这种机械劳动消磨掉了。 更别…

语音小管家

转载6 months ago

让大模型真正走进现实世界，是当下最迫切的需求之一。但美好的愿景，在真实的物理环境面前却屡屡碰壁。那些在文本世界里对答如流的通用视觉语言模型（VLM），一旦装进机器人脑子里，常常显得笨手笨脚。 原因很简单——物理世界容不得半点含糊。通用模型平…

语音小管家

转载6 months ago

豆包的语音对话升级到了双全工模式。普通用户也许不知道“双全工”是什么，也不在意这个拗口名词的技术定义，但能直接感受到的变化可能是： 对话更流利 想打断时可以随时打断，系统还能自行判断是否应该被打断 豆包知道什么时候不该回应（比如噪声，或与对…

语音小管家

原创6 months ago

针对低资源语言适配中“高成本—低稳定性”的核心矛盾，本文揭示了多语言语音模型沿深度方向的 U 型可塑性规律，并提出深度感知适配框架 DAMA。在保持竞争性识别性能的同时，DAMA 将可训练参数减少约 80%，并在极低资源设置下实现约 29%…

语音小管家

转载6 months ago

One-shot Voice Conversion（单样本语音转换）这件事，直观理解就是： 给模型一段“你说的话”，再给它一小段“目标说话人”的参考音，模型输出的语音内容不变，但音色变成目标说话人。 这类技术在论文demo里通常效果很好。但…

语音小管家

转载6 months ago

今天，字节正式推出原生全双工语音大模型 Seeduplex。相比于上一代半双工豆包端到端语音模型，Seeduplex 基于“边听边说”的全新框架设计，交互体验的自然感、顺畅度大幅提升。 如果说端到端架构通过统一“听”“说”模块，让 AI 拥…

语音小管家

转载6 months ago

歌曲结构标注（MSA）是一种能够识别歌曲中具有功能意义的段落（如前奏、主歌、副歌）并精准检测其边界的技术，正日益成为音乐理解和可控音乐生成的重要支撑技术。然而，现有的 MSA 方法通常由于训练数据规模有限、标注不一致、依赖复杂预处理流程等原…