声浪

语音小管家

转载8 months ago

以下文章来源于AI随想录，作者William 论文标题: GSRM: Generative Speech Reward Model for Speech RLHF 论文链接: https://arxiv.org/pdf/2602.13891…

语音小管家

转载8 months ago

来源丨新智元、AI音频时代 谷歌在 7.5 亿月活的 Gemini 中上线了 AI 音乐生成功能，输入一句话或一张照片，几秒就能得到一首带人声和歌词的完整歌曲。背后是 DeepMind 最新的 Lyria 3 模型，训练数据超 200 万首…

语音小管家

转载8 months ago

语音合成（TTS）领域长期存在一个矛盾：机器判断的“自然”与人类主观感受脱节。 这样的场景常常出现：你让AI生成一段语音，客观指标显示“完美”（如WER=0、FAD极低），但听起来却像机器人在背书。 如何让机器get到人类觉得“自然”的点？…

语音小管家

转载8 months ago

百灵多模态团队节前前发布了 Ming-flash-omni-2.0，基于其语音模块，我们新发布了 Ming-omni-tts，通过模型 scale up 实现了更强的效果。 不管你是短视频博主配旁白，独立播客创作者想把单人对话变成双人播客，…

语音小管家

原创8 months ago

从多人对话中的语调起伏与逻辑重心，到环境音背后隐藏的空间几何与物体运动轨迹，再到复杂音乐中演奏技法与艺术情感的深层关联，音频理解不应止于结果的预测。为了透明评估音频模型的推理过程质量，避免通过语言偏见、训练数据偏见或错误的方法“猜中”答案，…