声浪

语音小管家

转载a year ago

当语音大语言模型（SLLM）在英语等核心语言中流畅执行语音指令时，日语、法语等非核心语言场景却因语音 - 文本配对的指令跟随数据稀缺与多语言推理能力局限，面临响应质量显著下降的挑战。传统跨语言方法多聚焦文本领域，而 SLLM 以语音信号为输…

语音小管家

转载a year ago

近年来，文本转语音（TTS）技术在影视配音、虚拟助手等领域需求激增，而高自然度和控制能力成为关键。而能将 TTS 技术做到“影视级”水准的，即使在全球范围内也是屈指可数。 但近日，B站语音团队推出了全新一代语音合成模型：IndexTTS2，…

语音小管家

原创a year ago

歌唱语音合成（SVS）的快速发展亟需高质量标注数据集，但传统人工标注成本高昂且效率低下。现有自动歌唱标注（ASA）方法通常仅解决标注流程中的孤立任务。为此，我们提出STARS，首个统一框架，同时解决歌唱转录、歌词对齐与精细化风格标注三大任务…

语音小管家

转载a year ago

紫东太初团队联合长城汽车AI Lab推出完全透明开源的端到端共情语音语言大模型OpenS2S。 论文地址：https://arxiv.org/pdf/2507.05177 Demo地址：https://casia-lm.github.io/…

语音小管家

原创a year ago

零样本歌声合成（SVS）旨在基于音频或文本提示，生成具有未见过的多级别风格的高质量歌声。该领域在专业音乐创作和短视频配音方面具有广泛的潜在应用。尽管传统的歌声合成任务已经取得了显著进展，但人们对更具定制化的体验需求日益增长。这不仅包括通过音…

语音小管家

转载a year ago

近年来，神经网络偏置（Deep Biasing）方法在上下文语音识别（Contextual ASR）任务中取得了显著进展，其旨在提升模型对实体名称、技术术语等罕见短语的识别能力。当前主流方法多基于浅融合或神经网络偏置技术，将上下文短语中的子…