![语音/音频处理学术速递[10.8]](https://api.speechhome.com/Resources/Thumb/2024-10-10/1844300119353200640.jpg)
声浪
恒玄科技 | 招聘信号处理算法工程师（上海）
恒玄科技 恒玄科技主要从事智能音频SoC芯片的研发，设计与销售，为客户提供AIoT场景下具有语音交互能力的边缘智能主控平台芯片，产品广泛应用于智能蓝牙耳机，Type-C耳机，智能音箱等智能终端产品。恒玄科技致力于成为全球最具创新力的芯片设计…
22 0 0
语音识别领域迎来新王者，Rev 发布 Reverb ASR
近日，Rev发布了Reverb ASR模型，被大家成为"Whisper终结者"，在语音识别和说话人分离方面树立了新的标杆。该模型将其权重公开于Hugging Face Hub。 模型仓库：https://huggingface.co/Rev…
11 0 0
OpenAI canvas一夜封神！超强AI编码研究神器，ChatGPT再次颠覆人机交互
来源丨新智元 ChatGPT横空出世以来，首次迎来界面史诗级升级！全新canvas界面，开启了人类与AI协作研究、编码的新时代，更代表着终极AGI人机交互形态。 时隔两年，ChatGPT终迎来界面全新升级！ 这一次，OpenAI官宣推出ca…
11 0 0
mini-GPT4o来了? 能看、能听、会说，还情感丰富的多模态全能助手EMOVA
本文作者来自香港科技大学、香港大学和华为诺亚方舟实验室等机构。其中第一作者陈铠、苟耘豪、刘智立为香港科技大学在读博士生，黄润辉为香港大学在读博士生，谭达新为诺亚方舟实验室研究员。 随着 OpenAI GPT-4o 的发布，大语言模型已经不再…
11 0 0
280页PDF，全方位评估OpenAI o1
OpenAI 的 o1-preview 模型已经发布两周了，网上也有了很多零星的测评。不过，大部分测评都侧重于某一个方面，对于 o1-preview 的系统评估目前还比较匮乏。 在一篇长达 280 页的论文中，来自加拿大阿尔伯塔大学等机构的…
12 0 0
腾讯开源文本到音频生成模型 EzAudio
近日，约翰霍普金斯大学与腾讯 AI 实验室联合推出了一款名为 EzAudio 的新型文本到音频生成模型。和之前发布的audiocraft和 Stable Audio Tools 类似，都可以通过一段提示词生成对应逼真的音频文件。 EzAud…
9 0 0
LLaMA-Omni 低延迟高质量语音交互，开源！
随着GPT-4o的发布，在语音界面的Voice-Chat越来越受到大家的关注，对于低延迟，高准确性模型的speech-to-speech的需求日益增长，来自中科院计算所NLP组的LLaMA-Omni 有效的解决了这样的需求，该模型整合了预训…
11 0 0
OpenAI DevDay 大会发布4款重磅API功能，处理量增加50倍！
今天凌晨，OpenAI在美国旧金山召开了第二届开发者大会，发布了4大新的API功能。 实时语音API：每个APP里都可以拥有“Her”； 视觉微调API：只需100张图提升GPT-4o特定任务图像理解能力； 自动提示词缓存：模型最近见过的输…
9 0 0
一文详解：最新版本 Llama 3.2
来源丨图灵AI云 Meta AI最近发布了 Llama 3.2。这是他们第一次推出可以同时处理文字和图片的多模态模型。这个版本主要关注两个方面： 视觉功能：他们现在有了能处理图片的模型，参数量从11亿到90亿不等。 轻量级模型：这些模型参数…
9 0 0