声浪

语音小管家

转载6 months ago

AI音乐公司Suno正式发布其音乐生成器5.5版本。除了音质提升外，用户现在还可以用自己的声音演唱歌曲，并训练模型以匹配个人风格。Suno推出了其音乐模型的5.5版本，该公司称这是其“迄今为止最好、最具表现力的模型”。此次更新围绕三项新功能…

语音小管家

转载6 months ago

作者：罗立昂，编辑：冯小雨，审核：关键 在追求沉浸式体验的道路上，空间音频扮演着至关重要的角色。想象一下，在虚拟现实中，不仅能看到逼真的场景，还能听到与场景几何、物体材质、布局息息相关的真实声场，这才是真正的“身临其境”。然而，新视角声学合…

语音小管家

转载6 months ago

随着大语言模型（LLMs）特别是音频大模型（Audio-LLMs）和全能模型（Omni-models）的快速发展，口语对话系统取得了显著进步，不断缩小人机交互与人人交互之间的差距。为了实现真正“类人”的交流，系统需要具备双重能力：一是感知并…

语音小管家

转载6 months ago

本文来源丨微软亚洲研究院 近日，微软亚洲研究院发布了一款通用的语音识别模型VibeVoice ASR，单次转录可处理长达 60 分钟的连续音频，并能够可靠地生成丰富、结构化的输出，清晰地记录说话者是谁以及其说话时间。作为一种全新的语音识别范…

语音小管家

原创7 months ago

本文介绍的是南开大学人机语言技术实验室（NKU-HLT）与美团 LongCat Interaction 合作团队近期完成的一项研究工作——DIFFA-2。该工作延续了在 AAAI 2026 提出的 DIFFA（DIFFA: Large La…

语音小管家

转载7 months ago

本文来源：阿里云云原生 作者：雀贤、文婷、复礼、稚柳 随着大语言模型（LLM）、语音识别（ASR）、语音合成（TTS）等能力逐步成熟，AI Agent 开始从文本交互走向语音交互，典型场景包括 AI 教师、AI 情感聊天、AI 助手等。相比…

语音小管家

转载7 months ago

「现存问题」 TTS（文本转语音）这两年进步很快，很多模型在测试集上能做到很低的 WER（词错误率），听起来“字面上没问题”。 但现实场景里，用户真正关心的往往不是“每个词都对”，而是： 这段语音里提到的关键信息我能不能抓住？例如：日期、金…