不用出声也能聊天？苹果公开一项无声语音识别专利
地铁里、会议室中、医院病房内——很多场合我们都需要“说点什么”，却又不便发出声音。 苹果公司近日公开了一项专利申请（WO2026159706A1），提出一种默声语音检测方案：用户在不发声的情况下靠面部肌肉运动“默念”，设备读取面颊皮肤微动后…
171 0 0
声浪
![语音与音频学术速递[8.10]](https://api.speechhome.com/Resources/Thumb/2026-08-11/2087089930969944064.png)
语音与音频学术速递[8.10]
今日论文合集：CS.SD语音与音频 | 共 6 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 1. MMAG: A Multi-Cont…
156 0 0
Fun-ASR 如何用强化学习教会语音识别听懂中英混搭
说话时不自觉地在中文里夹几句英文——"这个 project 的 deadline 快到了""帮我订一个 meeting room 讨论一下"——这种语言现象叫做"语码转换"（Code-Switching）。在全球化语境下，它已经成为日常交流…
152 0 0
SALMONN-2：让大模型不只"听见"，更真正"听懂"声音
论文标题：SALMONN-2: Advancing General-Purpose Hearing Abilities with Self-Supervised Representations 作者：Xiaoyu Yang\*, Xuena…
122 0 0
![语音与音频学术速递[8.6]](https://api.speechhome.com/Resources/Thumb/2026-08-06/2085319361425444864.png)
ECoM-Reasoning：让端到端的语音大模型学会轻量级推理
以 GPT-4o、Moshi、GLM-4-Voice、Qwen-Omni 为代表的端到端语音大模型（SLM）正在推动人机交互迈向“开口即对话”的新阶段。然而，在需要精确、结构化推理的场景下——尤其是口语数学问答——语音大模型的表现仍显著落后…
104 0 0
面向低信噪比水声信号增强：中科大等团队提出CUMA-Net全复值多维注意力网络
近日，中国科学技术大学联合科大讯飞研究院团队在期刊IEEE Open Journal of Signal Processing上发表一项成果，针对被动声呐在信噪比低至-15 dB至-5 dB的极低条件下船舶辐射信号提取困难的问题，提出全复值…
84 0 0
字节发布音视频全双工大模型：SeedRealtime
8月5日，字节发布原生音视频全双工大模型 SeedRealtime。 项目主页：https://seed.bytedance.com/seedrealtime 体验入口：将豆包 App 更新至最新版本，在对话框内选择“打电话”，进入视频通话…
79 0 0
FFmpeg 9.0 发布，代号“Lei”，以此纪念中国开发者雷霄骅
2026年8月4日，全球知名开源多媒体框架FFmpeg正式发布了9.0版本。 这次发布，除了例行的性能跃升、新编解码器支持与硬件加速优化之外，最令中国音视频开发者动容的，是写在发布日志最前方的版本代号：“Lei”。 这个名字，来自中国音视频…
48 0 0
![语音与音频学术速递[8.5]](https://api.speechhome.com/Resources/Thumb/2026-08-05/2084940998261215232.png)