![语音/音频处理学术速递[8.28]](https://api.speechhome.com/Resources/Thumb/2025-08-28/1960985631064723456.jpg)
声浪
完全离线！开源实时语音识别神器，本地实时语音转文字，秒级延迟+说话人识别！
实时语音转文字（ASR）和说话人识别（Diarization）在多人会议、字幕生成和无障碍辅助中需求日益增长，但传统工具常需云端处理，存在隐私风险和延迟问题。 最近 GitHub 上出现了一款开源项目WhisperLiveKit，提供了完全…
34 1 0
![语音/音频处理学术速递[8.27]](https://api.speechhome.com/Resources/Thumb/2025-08-28/1960912934049812480.jpg)
语音界Sora！微软开源新模型，一次生成90分钟语音、3200倍压缩率
来源丨AIGC开放社区 近日，微软研究院开源了创新音频模型 VibeVoice-1.5B。 VibeVoice-1.5B开创了语音界多个重大技术突破：一次性可连续合成90分钟超长逼真语音，之前多数模型只能合成60分钟以内语音，并且30分钟后…
29 0 0
EMNLP 2025丨VersBand：基于提示控制的多功能歌曲生成框架
歌曲生成的核心是基于各种提示生成可控的高质量歌曲。然而，现有方法难以生成具有提示控制的人声和伴奏，且不能实现两者间很好的对齐。此外，它们在支持多种歌曲相关的任务方面，如歌声风格迁移，人声配伴奏，也存在不足。 为解决这些挑战，来自浙江大学的学…
21 0 0
在大模型时代，机器翻译有哪些新变化？
大家好，欢迎来到「AudioCC交我学」专栏！ 作为学术研究者与实践者的连接点，我们致力于打造一个专注于语音技术的学术交流平台——「AudioCC交我学」专栏。在这里，我们将以简洁、专业的视角，解读听觉认知与计算声学领域的前沿论文，分享技术…
19 0 0
![语音/音频处理学术速递[8.26]](https://api.speechhome.com/Resources/Thumb/2025-08-26/1960270719912906752.jpg)
EMNLP2025丨南京大学自然语言处理研究组六篇录用论文分享
EMNLP（Conference on Empirical Methods in Natural Language Processing）是自然语言处理领域顶级国际会议之一，其涉及领域包括但不限于机器翻译、文本生成、文本分类、信息抽取、问答…
26 0 0
首个接入GPT-5的视频Agent！一句话生成商业级广告大片，分镜配音字幕等全包了
来源丨新智元 一句话即生爆款AI视频的时代来临！全球首个接入GPT-5的视频智能体——Video Ocean正颠覆创作领域，轻松hold各种素材，全流程AI自主完成，一键解锁好莱坞级大片。 一句话生成分钟级爆款视频的时代已经到来！ 在软件领…
16 0 0
![语音/音频处理学术速递[8.25]](https://api.speechhome.com/Resources/Thumb/2025-08-26/1960270500802465792.jpg)