声浪

语音小管家

原创a year ago

在语音合成（Text-to-Speech, TTS）领域，自回归（Autoregressive, AR）模型以其在韵律自然性和风格迁移上的优势备受青睐，但长期以来受限于语音时长难以精确控制的难题。与之相对，非自回归（Non-Autoregr…

语音小管家

转载a year ago

内蒙古大学S2LAB刘瑞教授联合美国约翰霍普金斯大学、美国卡耐基梅隆大学、香港中文大学（深圳）等单位推出了首个面向情感一致性建模的多情感语音编辑数据集——ECD-TSE。该数据集大约90小时，涉及到5种情感，涵盖11个主题内容，总计84,0…

语音小管家

转载a year ago

近日，法国AI实验室Kyutai正式开源其高性能TTS语音模型：Kyutai TTS。 它是一款基于Delayed Streams Modeling（DSM）框架的实时文本转语音（TTS）模型，支持流式文本输入、超低延迟和高保真语音生成。…

语音小管家

原创a year ago

当前，尽管语音基础模型 (Speech Language Model (SLM)) 在模拟人类对话方面取得了显著进展，但如何让机器真正理解并参与到自然、流畅、实时的口语互动中，尤其是在两人对话场景下，仍是一个巨大挑战。现有方法往往难以充分利…

语音小管家

转载a year ago

多说话人对话识别是语音处理领域中最具挑战性的问题之一，尤其准确识别重叠语音区域极具挑战。多说话人语音重叠不仅涉及语音片段的重叠，还涉及说话人表征的重叠。有效应对这些挑战对于说话人分离、语音识别以及多说话人对话系统等应用至关重要 。重叠语音检…

语音小管家

原创a year ago

近期，浙江大学联合阿里巴巴通义实验室发表了一篇题为“WavReward: Spoken Dialogue Models With Generalist Reward Evaluators”的论文。该论文提出了一种基于音频理解大模型Qwen2…

语音小管家

转载a year ago

分享上海交通大学 X-LANCE 跨媒体语言智能实验室6篇被interspeech2025录用论文。 01、LSCodec: Low-Bitrate and Speaker-Decoupled Discrete Speech Codec

语音小管家

转载a year ago

来源丨新智元 智源统一图像生成模型OmniGen2发布后，立刻在AI图像生成领域掀起巨响，多模态技术生态进一步打通。才一周，GitHub星标就已经破了2000，X上的话题浏览数直接破数十万。 刚刚，统一图像生成模型OmniGen2携重大升级…