![语音/音频处理学术速递[8.6]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-06/1953022624191877120.jpg)
声浪
MIMO-TSVAD：支持模态缺失的音视频说话人日志新框架 —— 武汉大学/昆山杜克大学团队成果发表于 IEEE T-ASLP
论文题目：Multi-Input Multi-Output Target-Speaker Voice Activity Detection For Unified, Flexible, and Robust Audio-Visual Spe…
44 0 0
阿里开源Qwen-Image，中文最好模型，精准搞定复杂字体排版，硬刚字节OpenAI
来源丨AIGC开放社区 今天，阿里开源了最新文生图模型 Qwen-Image 。 Qwen-Image是一个200亿参数的MMDiT模型，可生成写实、动漫、赛博朋克、科幻、极简、复古、超现实、水墨等几十种类型的图片，支持图片的风格迁移、增删…
36 0 0
![语音/音频处理学术速递[8.5]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-05/1952642876445954048.jpg)
小米开源声音理解大模型 MiDashengLM-7B
来源丨小米技术 音频理解是构建全场景智能生态的关键领域，在智能座舱、家居交互等场景均有广泛应用。今天小米发布和全量开源了 MiDashengLM-7B 模型。MiDashengLM-7B 基于 Xiaomi Dasheng 作为音频编码器和…
64 0 0
![语音/音频处理学术速递[8.4]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-04/1952279353693966336.jpg)
![语音/音频处理学术速递[8.1]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-01/1951204915531616256.jpg)
刚刚开源的TTS神器，Kokoro-82M驱动，支持ePub/PDF/TXT，跨平台！
文本转语音（TTS）工具的需求现在是越来越多，尤其是在生成高质量有声书、配音和同步字幕的场景中。传统TTS工具要么依赖云端API，存在隐私风险，要么生成速度慢、语音不自然。 Abogen是最近刚开源的一款新型 TTS 工具，通过Kokoro…
39 0 0
Qwen3-30B-A3B新版本发布，更轻更好用，提升指令遵循与长上下文理解能力！
通义千问Qwen团队宣布本周进入“Flash week”，第一弹推出了更新版本的Qwen3-30B-A3B 非思考和思考模式，命名为Qwen3-30B-A3B-Instruct-2507 和 Qwen3-30B-A3B-Thinking-2…
41 0 0
![语音/音频处理学术速递[7.31]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-31/1950825730552238080.jpg)