![语音/音频处理学术速递[12.24]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-25/1871859465498791936.jpg)
声浪
WavChat：深入探索语音对话模型的前沿
在人机交互日益智能化的今天，语音对话模型正引领AI领域的新一轮革新。为填补当前语音对话模型综述的空白，浙江大学与微软、阿里巴巴、腾讯团队联合撰写了《WavChat：A Survey of Spoken Dialogue Models》。 该…
18 0 0
开源更新丨通义3D-Speaker多说话人日志功能
说话人日志任务（Speaker Diarization）是指将音频划分为属于不同说话人的多个段落。其目标是确定音频中有多少个不同的说话人，并且识别出每个说话人在音频中的开始时间和结束时间。 3D-Speaker开源工具针对该功能进行了更新升…
15 0 0
![语音/音频处理学术速递[12.23]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-24/1871397907471667200.jpg)
一键生成万字专利！中科院发布多智能体框架AutoPatent，含1933个「草稿-专利」数据对
来源丨新智元 AutoPatent框架能够自动化生成高质量的专利文档，大幅提高专利撰写效率，有望简化专利申请流程，降低成本，促进创新保护。 最近，来自中科院深圳先进院和大连理工大学的研究团队联合开发了一个名为AutoPatent的自动化的多…
11 0 0
内大语音理解与生成实验室最新视觉语音合成工作分享
论文标题：Multi-modal and Multi-scale Spatial Environment Understanding for Immersive Visual Text-to-Speech 论文作者：刘瑞，何树伟，胡一帆，李…
12 0 0
AAAI2025 | StableVC: 风格可控的零样本语音转换
零样本语音转换 (Zero-Shot Voice Conversion) 旨在将源说话者的音色迁移到任意未见过的说话者，同时保留原始的语言内容不变。尽管近年来出现许多令人印象深刻的零样本语音转换技术，并在专业有声读物制作和娱乐短视频等领域有…
14 0 0
![语音/音频处理学术速递[12.20]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-24/1871397722301534208.jpg)
MMAudio：开源 AI 音频合成项目，自动给视频配音效
MMAudio 在给定视频和/或文本输入的情况下生成同步音频。我们的关键创新是多模式联合训练，它允许对广泛的视听和音频文本数据集进行训练。此外，同步模块将生成的音频与视频帧对齐。 项目地址：https://hkchengrex.com/MM…
12 0 0
李飞飞团队统一动作与语言，新的多模态模型不仅超懂指令，还能读懂隐含情绪
来源丨机器之心 人类的沟通交流充满了多模态的信息。为了与他人进行有效沟通，我们既使用言语语言，也使用身体语言，比如手势、面部表情、身体姿势和情绪表达。因此，为了理解和生成人类动作，理解这些多模态的行为至关重要，而且这一研究方向最近受到的关注…
16 0 0