OmniAvatar：夸克技术团队 x 浙江大学联合开源，音频驱动全身视频生成模型
近期，夸克技术团队和浙江大学联合开源了OmniAvatar，这是一个创新的音频驱动全身视频生成模型，只需要输入一张图片和一段音频，OmniAvatar即可生成相应视频，且显著提升了画面中人物的唇形同步细节和全身动作的流畅性。此外，还可通过提…
29 0 0
声浪
重要时间调整通知丨2025年CCF先进音频技术竞赛
由中国计算机学会主办、CCF语音对话与听觉专委会承办、语音之家协办、华为终端有限公司独家合作的CCF先进音频技术竞赛已正式启动，大赛旨在推动国内高等院校及科研院所在音频技术领域的专业人才培养，支持学生科技创新，选拔优秀人才。 现因赛事安排调…
29 0 0
![语音/音频处理学术速递[7.24]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-24/1948308650300936192.jpg)
Seed 端到端同声传译大模型发布：准确率接近真人，3s 延迟，实时声音复刻
同声传译，被视为“翻译界的巅峰技能”。它需要译者在数秒的极短时间内转换语言，边“听”边“说”，要求极高。因此，对翻译技术研究者来说，同传一直是最具挑战的方向。 今天，字节跳动 Seed 团队正式发布端到端同声传译模型 Seed LiveIn…
37 0 0
听见机器的心跳——清华&上交等发布首个工业信号基座模型
近期，来自清华大学、上海交通大学、北京华控智加科技有限公司和华北电力大学的研究者联合发布首个多模态工业信号基座模型FISHER，采用搭积木的方法对异质工业信号进行统一建模。目前技术报告和权重均已开源，欢迎使用！ 论文链接：https://a…
40 0 0
夸克健康大模型万字调研报告：国内首个！透视主任医师级「AI大脑」背后的深度工程化
7月23日，夸克健康大模型在业界引起广泛关注：其成功通过了中国12门核心学科的主任医师笔试评测，成为国内首个完成此项专业考核的AI大模型。这一成果不仅凸显了AI在严肃医疗和C端的应用潜力，也引发了行业对其背后技术逻辑与工程实践的深入探讨。…
44 0 0
李沐老师也出手了，教你手搓语音大模型，代码全开源还能在线试玩!
来源丨量子位 李沐老师终于带着他的手搓语音大模型教程回归了，一千万小时音频数据训练的TTS，效果秒杀一众商业&开源的TTS。 本期视频不讲论文，李沐老师来手把手教大家怎样玩转他们团队最新研发的Higgs Audio V2模型，不仅能处理文本…
39 0 0
影视配乐、游戏音效革命：清华大学 & 生数科技 ACM MM 2025 最新研究让 AI 生成时间可控长时音频
文生音频系统（Text-to-audio generation, T2A）在生成模型的持续发展下取得了显著的进展。然而，由于精确时间对齐的音频-文本数据对在质量和数量上的限制，现有 T2A 系统在面对包含精确时间控制的复杂文本提示时表现仍然…
31 0 0
![语音/音频处理学术速递[7.23]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-23/1947919645776416768.jpg)
Grok +Tesla驾驶认知革命：让汽车开始“思考”的那一刻 -- 从自动驾驶到自主思考
这可不是什么未来科技的遥远设想，而是Tesla车主 Kim 与其车载 AI Grok 之间的一次真实互动。在即将开始线上会议前，仅凭一句指令，Grok 就能理解用户意图、规划充电路径、选择充电设施，并自主执行整个补能过程。这种跨越“人—车—…
46 0 0