声浪

语音小管家

转载10 months ago

论文题目：《SpeakerLM: End-to-End Versatile Speaker Diarization and Recognition with Multimodal Large Language Models》 论文地址：ht…

语音小管家

转载10 months ago

在具身智能迈向真实世界应用的关键阶段，大规模、高质量、多平台兼容的机器人操作数据已成为制约技术突破的核心瓶颈。 为破解这一难题，北京智源人工智能研究院联合蚂蚁天玑实验室、银河通用、乐聚、软通天擎、松灵、星海图、智平方、睿尔曼等产业先锋，以及…

语音小管家

原创10 months ago

快手旗下可灵AI正式推出其2.6版本的“音画同出”模型，这是首个支持画面、自然人声、音效及环境氛围同步生成的多模态系统。仅需一次生成，即可输出完整的音视频内容，真正实现了声音与画面的深度融合。 在创作流程上，可灵2.6提供两条高效创作路径：…

语音小管家

转载10 months ago

标题：Multi-Reward GRPO for Stable and Prosodic Single-Codebook TTS LLMs at Scale 链接：https://arxiv.org/pdf/2511.21270 作者单位：…

语音小管家

转载10 months ago

最近阿里在开源界频出狠活，不仅放出了 6B 大小的 Z-Image-Turbo，还开源了一款 7B 参数的主打「图中文字」的文生图模型：Ovis-Image。 图中的“文字渲染”能力是它的强项，也就是生成海报、宣传图、Logo、UI 原型、…

每日语音速递

转载10 months ago

文本到语音（TTS）合成技术正处在一个由大语言模型（LLM）驱动的范式变革时代。目前，学界主流的“下一令牌预测”范式统一了语音生成的框架，但其依赖的“离散化”基石也带来了信息瓶颈、生成幻觉等固有缺陷。虽然已有研究开始转向连续语音表示，但又面…

语音小管家

转载10 months ago

标题：《HPSU: A Benchmark for Human-Level Perception in Real-World Spoken Speech Understanding》 链接：https://arxiv.org/pdf/251…