声浪

语音小管家

原创a year ago

近年来，以思维链（Chain-of-Thought）为代表的扩展推理技术，在文本和视觉领域取得了巨大成功。然而，在音频领域，一个令人困惑的现象始终存在：音频语言模型似乎无法从思维链中受益，甚至表现出“想得越多，错得越多”的“反常缩放”现象。…

语音小管家

转载a year ago

论文题目：《Train Short, Infer Long: Speech-LLM Enables Zero-Shot Streamable Joint ASR And Diarization On Long Audio》 arXiv链接：…

语音小管家

转载a year ago

标题：《SpeechJudge: Towards Human-Level Judgment for Speech Naturalness》 论文地址：https://arxiv.org/pdf/2511.07931 项目地址：https:/…

语音小管家

原创a year ago

多模态生成技术在图像、视频、语音等方向的快速突破，使 “音乐 × 视频” 的多模态生成变成新的研究热点。然而在真实业务场景中，仍然存在诸多未被充分解决的技术空白，例如： 在音乐驱动的视频生成中，仍缺乏对长时序一致性、音画节奏对齐与镜头运动的…

语音小管家

转载a year ago

题目：《Auden-Voice: General-Purpose Voice Encoder for Speech and Language Understanding》 地址：https://arxiv.org/pdf/2511.1514…

语音小管家

原创a year ago

语音，不仅是人类沟通的载体，更是健康状态的“声纹”。随着人工智能与计算机听觉技术的飞速发展，语音信号正在成为一种新的医学信息源，为疾病筛查、心理评估与神经障碍检测提供全新的非侵入式途径。近期，北京理工大学钱昆教授、胡斌教授团队联合日本东京大…

语音小管家

转载a year ago

本系列的十篇文章，是对之前文章 原文链接 AI语音AI思考，公众号：AI语音AI思考关于未来语音技术和应用趋势的10点看法 中提到的十个趋势进行详细的剖析。在这个系列文章中，会穿插科普、技术综述、技术发展路线，以及一些个人和其他行业专家的思…