![语音/音频处理学术速递[12.30]](https://api.speechhome.com/Resources/Thumb/2025-12-31/2006290757933207552.jpg)
声浪
告别“音画割裂”与“人物崩坏”！AutoMV：首个听懂歌词、卡准节拍的开源全曲级MV生成Agent
来源 | 量子位 现有的AI视频生成模型虽然在短片上效果惊人，但面对一首完整的歌曲时往往束手无策——画面不连贯、人物换脸、甚至完全不理会歌词含义。 近日，来自M-A-P、北京邮电大学、南京大学NJU-LINK实验室等机构的研究者们提出了Au…
22 0 0
![语音/音频处理学术速递[12.29]](https://api.speechhome.com/Resources/Thumb/2025-12-31/2006290599858278400.jpg)
未来语音赛道的创业和投资，我只看好两个方向：从短期理解数据到长期理解用户
最近一些朋友，包括从事投资方向的朋友，看到我的笔记和文章后，会找我聊语音相关的技术和现状，以及对当前一些技术和应用的看法。今天想分享一下，在我看来，大模型的AI时代，未来在智能语音方向，我只看好两个方向：语音理解和被动语音记录。 基础技术上…
18 0 0
清华揪出0.1%幻觉神经元：大模型胡编的尽头，其实是过度顺从
来源丨PaperWeekly 无需重新训练，只要抑制 0.1% 的特定神经元，就能让模型“闭嘴”？ 近年来，大语言模型（LLMs）在问答、推理与生成任务中展现出卓越能力，但其幻觉（Hallucination）问题仍然是制约实际应用的核心挑战…
14 0 0
QuarkAudio: 基于语义声学解耦离散表征的音频编辑与生成大模型
近日，千问C端AI人机交互团队联合通义实验室在音频大模型领域取得重要进展，正式开源QuarkAudio：一个面向端到端音频处理与生成的统一建模框架。QuarkAudio基于离散化音频表征实现了对语音修复、音频生成与编辑等多样化任务的统一建模…
50 0 0
![语音/音频处理学术速递[12.25]](https://api.speechhome.com/Resources/Thumb/2025-12-25/2004101446273994752.jpg)
阿里全新Qwen3-TTS模型！支持跨物种音色克隆，3 秒复刻！
说实话，今年语音模型的内卷程度已经到了不讲武德的地步。但这次，Qwen3-TTS 的更新，是真的有点狠。 阿里通义刚刚上线了 Qwen3-TTS 的两大核心能力： •VoiceDesign（VD-Flash）：用文字“设计”声音，而不是选声…
24 0 0
【语音技术和应用趋势分享（4/10）】端云融合的新趋势和机遇
本系列十篇文章，旨在对之前提到的十大趋势进行详细剖析。 关于未来语音技术和应用趋势的10点看法 本系列中将穿插科普、技术综述、技术发展路线，以及来自我个人与其他行业专家的思考。希望不论读者此前对语音技术与应用了解多少，都能从这一系列文章中获…
17 0 0
Fun-Audio-Chat：通义开源新一代端到端语音交互模型，创新架构可节省近50%GPU计算！
昨天，阿里通义开源新一代语音交互模型 Fun-Audio-Chat-8B。该模型在OpenAudioBench、VoiceBench、UltraEval-Audio、MMAU、MMSU、SpeechFunctionCall 等多项权威基准测…
32 0 0