Nes2Net：轻量级嵌套架构，驱动基于语音大模型的深度伪造检测
随着语音领域生成式人工智能与音频伪造技术的迅猛发展，语音深度伪造（Deepfake），也称为语音反欺骗（Anti-spoofing），已成为信息安全领域的重要挑战。与此同时，基于语音大模型（如wav2vec 2.0 [1]、WavLM [2…
24 0 0
声浪
合成数据也能通吃真实世界？首个融合重建-预测-规划的生成式世界模型AETHER开源
近日，上海人工智能实验室（上海 AI 实验室）开源了生成式世界模型 AETHER。该模型全部由合成数据训练而成，不仅在传统重建与生成任务中表现领先，更首次赋予大模型在真实世界中的 3D 空间决策与规划能力，可助力机器人完成目标导向的视觉规划…
18 0 0
全球首个 AI 肺音套件：TytoCare 获得 FDA 批准
TytoCare作为虚拟护理领域的创新企业，专注于为家庭环境提供高效的基础医疗服务。近日，该公司取得重要突破——其Tyto Insights™系统的哮鸣音检测功能获得FDA批准，这意味着TytoCare成为全球首家实现AI技术全面检测三种主…
14 0 0
![语音/音频处理学术速递[4.21]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-04-21/1914244909704024064.jpg)
开源语音合成&声音克隆系统：MegaTTS3，仅0.45B参数，中英文混合无缝切换。
今天分享一个声音克隆及语音合成系统——MegaTTS3 MegaTTS3 是由字节跳动与浙江大学联合推出的开源语音合成工具，主模型仅有 0.45B 参数，具备高度轻量化优势。支持超高质量的语音克隆，能在 Huggingface Demo 体…
14 0 0
字节开源智能体模型 UI-TARS-1.5，全面达到SOTA
昨天字节开源多模态智能体 UI-TARS-1.5，这是一款基于视觉-语言模型构建的开源多模态智能体，能够在虚拟世界中高效执行各类任务。 GitHub：https://github.com/bytedance/UI-TARS Website：…
14 0 0
![语音/音频处理学术速递[4.18]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-04-21/1914245043640733696.jpg)
自动语音识别系统有望使语言测试更易于访问和扩展
来源丨21db声学人 在当今这个日益互联互通的世界里，语言学习对于教育、商业以及文化交流而言已变得至关重要。然而，准确衡量语言学习者的熟练程度是一个复杂的问题。一种有价值的方法是让学习者听句子，然后尽可能准确地重复出来，这种方法被称为 “诱…
16 0 0
![语音/音频处理学术速递[4.17]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-04-17/1912779032936714240.jpg)
「交交」媲美 GPT-4o！上交大推出口语对话情感大模型，首个纯学术界自研！
智能语音交互领域，学术研究也能如此酷炫。全球首个纯学术界自研的支持多人实时口语对话的语音情感大模型 ——“交交”，正式推出！ “交交” 由上海交通大学听觉认知与计算声学实验室倾力打造，它不仅是一个智能语音助手，更是一个多说话人、多语言、多角…
16 0 0