![语音/音频处理学术速递[8.8]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-08/1953724246354169856.jpg)
声浪
小红书开源了首个多模态大模型dots.vlm1，性能直追SOTA！
来源丨新智元 擅长「种草」的小红书正加大技术自研力度，两个月内接连开源三款模型！最新开源的首个多模态大模型dots.vlm1，基于自研视觉编码器构建，实测看穿色盲图，破解数独，解高考数学题，一句话写李白诗风，视觉理解和推理能力都逼近Gemi…
23 0 0
BoSS 超语义语音学：让 AI 听懂“弦外之音”
来源丨中国电信人工智能研究院 同样的文字，在不同语境下，根据说话人的语速、语气、语调的差异，会表达完全不同的意思，代表不同的情绪、态度和意图。 这项应用的背后，是中国电信人工智能研究院（TeleAI）研究的一项新的技术路径——超语义语音学（…
21 0 0
![语音/音频处理学术速递[8.7]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-08/1953724128380981248.jpg)
AI配音新王者！快手AudioGen-Omni：视频喂给它，歌声/语音/音效秒出，唇形精准到帧！
近日，中国矿业大学与快手科技联合研发的AudioGen-Omni模型，以面向音频-语音-歌曲三合一生成的统一多模态扩散Transformer架构，实现了高保真音频、语音与歌曲的生成，并达成与输入视频的深度时序同步。 论文链接：https:/…
31 0 0
训练200万小时！OpenAI开源GPT-oss，AI Agent专属模型、可商用
来源丨AIGC开放社区 今天凌晨1点30，OpenAI开源了大模型GPT-oss,一共有1200亿和200亿两种参数，支持Apache 2.0商业化。 开源地址： https://github.com/openai/GPT-oss http…
27 0 0
![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)
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…
21 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…
17 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)