声浪

语音小管家

转载a year ago

语音转文字（STT）常需云端处理或复杂软件安装，隐私和便利性难以兼得。 Say是一款基于Whisper和Transformers.js的开源浏览器内语音转文字工具，完全本地运行，保护隐私，同时提供实时转录和富文本编辑。 其核心特点包括 •浏…

语音小管家

转载a year ago

近日，阿里通义实验室开源了旗下首个音频生成模型ThinkSound，该模型首次将CoT（Chain-of-Thought，思维链）应用到音频生成领域，让AI可以像专业音效师一样逐步思考，捕捉视觉细节，生成与画面同步的高保真音频。 目前，Th…

语音小管家

转载a year ago

流式语音识别（streaming ASR）因其低延迟、高效率的特点，适用在诸多“快速出字”的应用中。当前主流的端到端模型包括 CTC、RNN-T 和基于注意力的编码器-解码器（AED）。其中 CTC 凭借结构简单，在流式场景中被广泛采用。为…

语音小管家

转载a year ago

在通用人工智能（AGI）备受瞩目的今天，音频大模型的研究也正快速推进。但相比图文多模态的成熟体系，音频领域仍面临巨大的挑战。不同类型的音频任务——如语音识别、音频事件检测、音乐理解等——往往“各自为政”，难以统一建模。为解决上述问题，西工大…

语音小管家

转载a year ago

嘈杂环境下的语音识别一直是该领域的一个较为困难的问题，虽然降噪算法可以提升语音质量，但是降噪后的语音对于语音识别的提升并不明显，甚至有可能起到相反的作用。因此在语音识别领域，更多的研究关注在如何让声学模型具有更好的噪声鲁棒性，比如在训练过程…

语音小管家

原创a year ago

近日，社交平台Soul App正式升级自研端到端全双工语音通话大模型，发布SoulX-DuoVoice。新模型摒弃了传统语音交互中依赖的 VAD（话音激活检测）机制与延迟控制逻辑，打破行业中普遍存在的“轮次对话”模式，赋予 AI 自主决策对…

语音小管家

转载a year ago

在智能家居设备中，扫地机器人的语音交互功能常受限于其自身运行时产生的高强度噪声，尤其是在信噪比（SNR）低至 - 10 dB 甚至更低的环境下，提取有效语音指令变得极具挑战。 针对这一问题，韩国庆北国立大学与 LG 电子先进机器人实验室的研…

语音小管家

转载a year ago

本次分享由内蒙古大学刘瑞教授与美国约翰霍普金斯大学Berrak Sisman、美国卡耐基梅隆大学Carlos Busso、香港中文大学（深圳）李海洲教授合作发表于Interspeech 2025的语音编辑情感校正工作《Towards Emo…