INTERSPEECH2024 | FreeV: 使用梅尔滤波器的伪逆矩阵，一行代码提升声码器性能
声码器 (Vocoder) 能够将梅尔谱还原为波形信息，目前正广泛用于使用梅尔谱作为中间表征的合成系统中。基于频域重建的声码器（如Vocos[1]和APNet2[2]）最近取得了快速发展，在推理速度上超过了时域模型，同时实现了良好的音频质量…
15 0 0
声浪
音频大模型——whisper论文解读
whisper是一个支持多语种（高达99种）和多任务的音频大模型，相对于k2（zipformer）、funasr（paraformer）等流行的E2E单任务语音识别模型，whisper最大的两个特点是“大而全”：其中大是指68万小时的大数据…
39 0 0
论文导读丨INTERSPEECH 2024专题（四）
为促进最新研究成果的传播与交流，CCF语音对话与听觉专委在专委会微信公众号启动论文导读栏目，定期分享最新语音、对话与听觉相关研究方向论文。本期是INTERSPEECH 2024专题第四部分，共遴选了9篇论文，覆盖语音通讯、语者切换点检测、声…
20 0 0
![语音/音频处理学术速递[7.29]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-08-02/1819290303027351552.jpg)
复旦大学：没钱标数据的有福了！利用合成数据就能大幅提升大模型归纳推理能力
夕小瑶科技说 原创作者 | 谢年年 推理，作为人类的基本认知过程，对于学习、问题解决和科学发现起着至关重要的作用。常见的推理方式包括演绎推理和归纳推理。 演绎推理就是从一般性的前提推导出个别或特殊情况的结论，而归纳推理则用于从具体实例中提炼…
35 0 0
![语音/音频处理学术速递[7.26]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-08-02/1819289010212835328.jpg)
微软的人工智能语音克隆引发伦理担忧
微软的 VALL-E 2 可以完美模仿人类声音，但道德问题推迟了其发布。 得益于微软在人工智能领域的进步，人类和机器声音之间的界限已变得模糊不清。人工智能工具 VALL-E 2是一款能够以惊人精度克隆人类声音的AI工具。然而，这项突破性技术…
38 0 0
浅谈Llama3.1，从结构、训练过程、影响到数据合成
Llama3.1系列模型的开源，真让大模型格局大震，指标上堪比最好的闭源模型比如GPT 4o和Claude3.5，让开源追赶闭源成为现实。 这里给大家分享一篇俊林兄（@知乎张俊林）的一篇解读，主要对LLaMA3.1的模型结构、训练过程进行分…
33 0 0
![语音/音频处理学术速递[7.25]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-08-02/1819282413726076928.jpg)
INTERSPEECH2024 | DualVC 3：利用LM生成伪上下文的端到端低延迟流式语音转换
语音转换 (Voice Conversion) 旨在保留语音中语言内容信息的同时，将源说话人音色转变为目标说话人的音色。越来越多的应用场景，如直播、视频会议等实时通信（RTC）应用中要求语音转换能够实时进行，而目前常见的语音转换模型以整段音…
45 0 0