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—…
56 0 0
声浪
ACM MM 2025｜DualDub：同时生成和谐的语音与背景音频，构建完整的视频音轨
当前视频到音频(Video-to-Audio, V2A)模型可以从视觉输入中生成逼真的背景音频，但它们大多忽略了语音在视频音轨中的关键组成部分。近期，西工大音频语音与语言处理研究组（ASLP@NPU）联合巨人网络、University of…
35 0 0
![语音/音频处理学术速递[7.22]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-22/1947589847946498048.jpg)
MM 2025丨ISDrama：通过多模态提示实现沉浸式空间戏剧生成
多模态沉浸式空间戏剧生成旨在基于多模态提示，创建具有戏剧韵律的连续多说话人双耳语音，在增强现实（AR）、虚拟现实（VR）等领域具有潜在应用。这项任务需要基于多模态输入同时对空间信息和戏剧韵律进行建模，且数据收集成本较高。 为此，浙江大学的学…
31 0 0
![语音/音频处理学术速递[7.21]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-21/1947199836927430656.jpg)
语音 AI 公司 Deepgram 发布 Saga，面向开发者的语音操作系统
总部位于加利福尼亚州旧金山的语音人工智能平台 Deepgram 宣布推出 Deepgram Saga，这是一款专为开发者设计的语音操作系统，旨在消除现代开发中频繁切换工具、寻找信息的「隐形税」，让开发者能够专注于构建，而非琐碎的操作。Sag…
44 0 0
ACM MM 2025｜半隐式跨语言思维链：语音大模型非核心语言指令跟随能力的突破
当语音大语言模型（SLLM）在英语等核心语言中流畅执行语音指令时，日语、法语等非核心语言场景却因语音 - 文本配对的指令跟随数据稀缺与多语言推理能力局限，面临响应质量显著下降的挑战。传统跨语言方法多聚焦文本领域，而 SLLM 以语音信号为输…
43 0 0
![语音/音频处理学术速递[7.18]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-18/1946108090764103680.jpg)
全球首创！B站推出影视级TTS语音模型，支持零样本语音+情绪双克隆，精准时长控制！
近年来，文本转语音（TTS）技术在影视配音、虚拟助手等领域需求激增，而高自然度和控制能力成为关键。而能将 TTS 技术做到“影视级”水准的，即使在全球范围内也是屈指可数。 但近日，B站语音团队推出了全新一代语音合成模型：IndexTTS2，…
55 0 0
![语音/音频处理学术速递[7.17]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-18/1946094394151145472.jpg)