声浪

语音小管家

转载2 years ago

来源丨机器之心 3 月 27 日凌晨，阿里通义千问团队发布 Qwen2.5-Omni。 这是 Qwen 系列中全新的旗舰级多模态大模型，专为全面的多模式感知设计，可以无缝处理包括文本、图像、音频和视频的各种输入，同时支持流式的文本生成和自然…

语音小管家

转载2 years ago

来源丨AI音频时代 2024年Sora的发布开启了AIGC新时代。 AIGC技术在文字、图像、视频、音频等领域实现跨越式发展。其中，TTS技术从少数巨头垄断走向百花齐放，底层技术和应用场景均取得重大突破。以下是整理的当下具有代表性的 10…

语音小管家

转载2 years ago

在复杂声学环境中实现多说话人分离是音频信号处理领域的一项重大挑战，尤其是在存在强混响和背景噪声的低信噪比条件下。澳大利亚国立大学与莫拉图瓦大学的研究团队提出了一种基于相对传递矩阵（ReTM）的创新方法，实现了多说话人在混响房间中的有效分离。…

语音小管家

转载2 years ago

前几天，“杭州六小龙”之一「群核科技」在GTC 2025大会开源了空间理解模型：SpatialLM。 SpatialLM 是一款专门为三维空间理解设计的大语言模型，通过三维点云数据，生成结构化的三维场景理解输出，包括墙壁、门、窗等建筑元素，…

语音小管家

原创2 years ago

自3月起，语音之家已成功举办13场活动，包括ICASSP2025论文预讲会、技术沙龙及学术讲座，汇聚了众多行业专家与学者的精彩分享。在参与活动和观看直播时，经常会收到大家一些疑问，我们收集了大家最关心的3个问题，并在此提供解答： 1、观看直…

语音小管家

转载2 years ago

2025年3月20日，OpenAI推出了三款新模型——gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts。前面2个是自动语音识别模型（ASR），最后一个是语音合成模型（TTS…