复杂场景语音识别新突破：SAP²技术精准剪枝，提升长上下文场景ASR性能
来源丨乐百一家 论文题目：《Speech-Aware Long Context Pruning and Integration for Contextualized ASR》 论文地址：https://arxiv.org/pdf/2511.…
17 0 0
声浪
AAAI2026丨IMU语音理解与生成实验室最新表现力视频配音工作分享
近日，人工智能领域的顶级国际会议——AAAI 2026（The 40th Annual AAAI Conference on Artificial Intelligence）正式公布了论文录用结果。IMU语音理解与生成实验室最新表现力视频配…
16 0 0
开源！MeanVC — 基于平均流的轻量级流式零样本语音转换
零样本语音转换（Zero-shot VC）旨在保留语音语言内容的同时，将源说话人音色迁移至任意未见过的目标说话人。日益丰富的应用场景对模型的流式推理能力提出迫切需求，亟需兼具快速、轻量与高保真特性的解决方案。然而现有流式方法依赖自回归（AR…
28 0 0
![语音/音频处理学术速递[11.18]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-11-18/1990719822354321408.jpg)
ASR纠错迎来新方法：华为提出SS+GL方案，大幅提升命名实体识别准确率
来源丨乐百一家 咱们先聊聊华为这篇论文的核心目标——解决ASR（自动语音识别）里“专有名词老认错”的问题。比如像“ChatGPT”“长江白鲟”这种领域特定的命名实体，ASR（比如Whisper）在通用场景里挺准，但遇到这些词常转错，后续用这…
29 0 0
美团开源 LongCat-Audio-Codec，高效语音编解码器助力实时交互落地
语音大语言模型（Speech LLM）想落地，绕不开一个死结：既要快速理解语音里的语义，又要说出自然的音色，还得实时响应。比如智能音箱 “听不懂” 语音，车载助手 “说” 得像机器人，实时翻译延迟卡半秒。深究根源，全在 “语音 Token…
31 0 0
![语音/音频处理学术速递[11.14]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-11-14/1989225573267935232.jpg)
GPT-5.1发布，OpenAI开始拼情商
来源丨机器之心 深夜，GPT-5 系列迎来大更新：上线 GPT-5.1 Instant 以及 GPT-5.1 Thinking 模型。 GPT-5.1 Instant：ChatGPT 最常用的模型，更温暖、更智能，也更善于遵循指令的模型。…
35 0 0
![语音/音频处理学术速递[11.13]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-11-14/1989181976212541440.jpg)
阶跃星辰发布首个开源 LLM 级音频编辑大模型 Step-Audio-EditX
来源丨魔塔modelscope社区 近期，阶跃星辰发布了全球首个开源 LLM 级音频编辑大模型 —— Step-Audio-EditX。 该模型能够通过语言指令或迭代方式，精准控制音频的情感、说话风格和副语言特征，并实现零样本文本转语音（Z…
21 0 0