![语音/音频处理学术速递[12.13]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-17/1868852085479575552.jpg)
声浪
市场规模超 60 亿美元，语音如何改变对话式 AI？
本篇报告的作者 Lightspeed 投资了 Character.ai（AI 角色对话）、Cartesia（语音 AI 模型）、Volley（语音 AI 游戏） 、Yellow.ai（语音AI 客服）等语音 AI 公司。不同于此前分享的BV…
12 0 0
GPT-4o再暴露「弱智」缺陷，大模型无一幸免！港中文等发布「视觉听觉」基准AV-Odyssey：26个任务直指死角问题
来源丨新智元 多模态大模型在听觉上，居然也出现了「9.11>9.8」的现象，音量大小这种简单问题都识别不了！港中文、斯坦福等大学联合发布的AV-Odyssey基准测试，包含26个视听任务，覆盖了7种声音属性，跨越了10个不同领域，确保测试的…
11 0 0
![语音/音频处理学术速递[12.12]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-17/1868851907397816320.jpg)
IEEE TASLP | SQ-Whisper：基于说话人查询的 Whisper 模型在目标说话人语音识别上的应用
近年来，大模型因其在各类深度学习任务中的卓越表现，受到了研究者们的广泛关注。以语音领域为例，通过在大规模、多样化的语音数据上进行预训练，利用数亿甚至数十亿级别的参数进行学习，语音大模型能够在诸如自动语音识别（Automatic Speech…
22 0 0
隔墙有耳：非视距声学成像算法介绍
非视距（Non-Line-of-Sight，NLOS）成像在机器人与机器视觉、遥感、自动驾驶导航以及医学成像等众多应用中展现了前所未有的潜力。为解决这一具有挑战性的问题，许多方法采用了光学飞行时间成像系统，结合高灵敏度时间分辨光电探测器和超…
11 0 0
![语音/音频处理学术速递[12.11]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-12/1867046354543579136.jpg)
北交开源o1代码版！强化学习+蒙特卡洛树搜索，源代码、精选数据集以及衍生模型通通开源
来源丨量子位 北京交通大学研究团队悄默声推出了一版o1，而且所有源代码、精选数据集以及衍生模型都开源！ 名为O1-CODER，专注于编码任务。 论文链接：
14 0 0
「See Video, Get 3D」，智源开源无标注视频学习3D生成模型See3D
来源丨机器之心 近日，著名 AI 学者、斯坦福大学教授李飞飞团队 World Labs 推出首个【空间智能】模型，仅输入单张图片，即可生成一个逼真的 3D 世界，这被认为是迈向空间智能的第一步。 几乎同时，国内智源研究院推出了首个利用大规模…
8 0 0
![语音/音频处理学术速递[12.10]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-11/1866676690063855616.jpg)