NCMMSC 2026 | ChinaVoices Challenge 2026：数据、任务、基线与方法总结
中文语音交互不仅需要处理普通话，也需要面对丰富的地域方言。对于一段方言语音，系统既要判断“说的是哪种方言”，也要准确识别“说了什么”。然而，现有研究采用的方言类别、训练资源和测试集并不统一，系统性能难以直接比较。 近期，西工大音频语音与语言…
算法资讯
23 0 0
声浪
EMNLP 2026｜Qwen Audio 团队入选论文分享
近日，EMNLP 2026正式公布录用结果，本期分享阿里 Token Foundry Qwen Audio 团队中稿的 3 篇论文，涵盖视频到音频生成、大语言模型推理增强、神经编解码语音合成三大前沿方向。 本次入选的 3 篇论文分别围绕跨模…
算法资讯
40 0 0
网易有道开源流式ASR模型 R2T2，要做语音Agent 的 infra
做过实时语音识别的人，大概率都见过这样一种场景： 你刚说完半句话，屏幕上的字幕已经出来了，但再多说几个字，前面的内容突然被改掉。字幕一会儿增加、一会儿回滚，甚至整句话重新刷新。如果只是看字幕，这可能只是“有点闪”。但当ASR的输出开始直接连…
算法资讯
48 0 0
2026年CCF语音对话与听觉专委会学术年会、年度工作会议召开及委员纳新通知
为了推动语音对话与听觉领域的发展，加强委员之间的交流与合作，扩大语音对话与听觉专业委员会在国内外的影响力，中国计算机学会（CCF）语音对话与听觉专业委员会将于2026年11月5日至8日在珠海横琴召开专委会学术年会与年度工作会议，并进行委员纳…
21 0 0
迈向通用听觉智能：清华团队在《自然·机器智能》解析关键技术路径
近日，清华大学电子工程系联合Google DeepMind、NVIDIA、剑桥大学等机构的研究人员，在期刊《自然·机器智能》（Nature Machine Intelligence）发表题为《迈向通用听觉智能：机器的聆听与表达》（Towar…
算法资讯
21 0 0
技术解读｜Qwen Audio Agent 系列：座舱语音助手新范式
一边聊天，一边办事。 从办公协作，走进智能座舱。 在上一篇《qwen-audio-agent架构解析》中，我们主要围绕办公场景介绍了框架。这一次，我们把它带进智能汽车座舱。 我们做了一套可运行的智能座舱示例：接入车控、音乐、导航与天气，让用…
资讯算法
36 0 0
谷歌连发两款实时语音模型：Gemini 3.8 Live 要攻克语音 Agent 的沉默时刻
来源丨新智元 谷歌又杀回来了。 今夜，Google DeepMind 一口气放出两个模型——Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。 官方称它们是谷歌迄今最先进的实时对话模型。…
49 0 0
阶跃发布语音大模型StepAudio 3，拿下多个全球第一！
今天，阶跃正式发布 Step Audio 3 系列模型，包括 StepAudio 3 Realtime、StepAudio 3 ASR、StepAudio 3 TTS、StepAudio 3 Gen 和 StepAudio 3 Music。…
44 0 0
![语音与音频学术速递[9.14]](https://api.speechhome.com/Resources/Thumb/2026-09-14/2099430415856177152.png)
语音与音频学术速递[9.14]
今日论文合集：CS.SD语音与音频 | 共 9 篇。 本文经arXiv每日学术速递授权转载，微信公众号：arXiv_Daily [机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准 快速导航 1. 语音合成与声音生成 2…
24 0 0
INTERSPEECH 2026 | 天津大学认知计算与应用重点实验室 9 篇录用论文分享
分享天津大学认知计算与应用重点实验室9篇论文被INTERSPEECH 2026 录用的论文。本次录用工作覆盖大音频语言模型、音频推理智能体、阿尔茨海默病语音检测、鲁棒说话人验证、上下文表现力语音评估以及自监督语音表征学习等方向。 ⏩1. M…
28 0 0