音画同步生成的「音频物理真实感」，终于有了硬核标尺｜PhyAVBench 论文详解
以下文章来源于SV4Good AI Lab 引言 Sora、Kling 等文生音视频模型，能画出逼真画面、配上同步声音，但真的懂声学物理吗？吹空瓶子 vs 吹装水瓶子、敲木头 vs 敲金属，模型能生成符合物理规律的声音吗？ 本文介绍由香港科…
28 0 0
声浪
小米MiMo-V2.5全量开源，再送 100 万亿 Token！
来源丨智东西 今天，小米正式开源 MiMo-V2.5 系列模型，采用MIT协议，允许商用推理部署与二次训练，无需额外授权。 ▲MiMo-V2.5-Pro在Hugging Face的开源页面截图 此前，该系列模型于4月23日开启公测，包括Mi…
31 0 0
研究发现，人工智能语音识别模型与人类大脑的语音处理机制高度相似
在过去几十年中，计算机科学家开发了许多能够处理不同语言的人类语音的人工智能（AI）系统。然而，这些模型在多大程度上复刻了人类理解口语时的大脑运作机制，目前尚无明确结论。 哥伦比亚大学、IBM研究院和费恩斯坦医学研究所的研究人员最近开展了一项…
31 0 0
2.1K Star！视频创作者的核弹级开源工具来了！一句话即输出成片。
FireRed-OpenStoryline将复杂的视频创作转化为自然直观的对话体验。兼顾易用性和企业级可靠性，让视频创作对初学者和创意爱好者都变得简单友好。 项目简介 FireRed-OpenStoryline是FireRedTeam团队开…
31 0 0
![语音/音频处理学术速递[4.27]](https://api.speechhome.com/Resources/Thumb/2026-04-27/2048651944268009472.png)
阶跃 StepAudio 2.5 ASR 上线！500TPS 极速推理，30分钟语音“秒级转写”
今天，阶跃正式发布新一代自动语音识别模型StepAudio 2.5 ASR！ 这款模型的核心突破在于速度与精度的兼得。我们率先将大语言模型（LLM）的推理加速技术引入语音识别领域，基于 ASR+MTP-5 深度融合架构，实测推理速度提升40…
24 0 0
MAGIC-TTS：首个实现字级内容与停顿毫秒级控制的语音合成系统
在今天的语音合成系统里，听起来自然已经不再稀缺，但哪里该慢一点、哪个字该拉长、哪个位置该停顿、停多久，依然很难真正交给用户来控制。 但这恰恰是很多真实应用场景在意的问题。 比如导航播报里，“前方路口左转”中的“左转”往往需要更清楚、更突出；…
23 0 0
![语音/音频处理学术速递[4.24]](https://api.speechhome.com/Resources/Thumb/2026-04-24/2047563575450537984.png)
小米发布 MiMo-V2.5-TTS-Series + ASR
今天，小米发布MiMo-V2.5-TTS Series与MiMo-V2.5-ASR—— 一套面向 Agent 时代的全链路语音模型系列，覆盖识别与合成两大核心能力，让语音的输入与输出都可以被语言自由调度。 MiMo-V2.5-TTS Ser…
28 0 0
让端到端语音对话模型既会“想”又会“说”！WavAlign：用自适应混合后训练同时提升智能与表现力
近期，浙江大学研究者提出了WavAlign: Enhancing Intelligence and Expressiveness in Spoken Dialogue Models via Adaptive Hybrid Post-Trai…
25 0 0