中科大与科大讯飞研究团队开源音乐文本控制音乐生成模型，效果惊艳！
中科大与科大讯飞研究团队开源高质量音乐文本控制音乐生成模型，轻松实现震撼生成效果！ 论文地址：https://arxiv.org/pdf/2405.15863 开源地址：https://github.com/ivcylc/qa-mdt De…
10 0 0
声浪
OpenAI发布史上最强模型-o1，推理能力超人类博士！
大模型领域的技术发展，今天起再次「从 1 开始」了。 就在刚刚，OpenAI最强的o1系列模型忽然上线。毫无预警地，OpenAI就扔出这一声炸雷。传说中两周内就要上线的草莓模型，居然两天内就来了！ 从今天开始，o1-preview在Chat…
18 0 0
论文导读丨自监督预训练语音情感表征
本期分享一篇语音情感表征学习方向的文章，该文章发表于Findings of ACL2024。 Emotion2vec: Self-Supervised Pre-Training for Speech Emotion Representati…
16 0 0
![语音/音频处理学术速递[9.13]](https://api.speechhome.com/Resources/Thumb/2024-09-13/1834479127151906816.jpg)
INTERSPEECH2024 | SCDNet: 基于自监督学习表征的说话人转换检测
说话人转换检测（Speaker Change Detection, SCD）旨在识别对话中不同说话人之间的边界，并常被视为说话人日志（Speaker Diarization, SD）的子任务，具有广泛的应用。最近，微调 wav2vec 2.…
26 0 0
Mini-Omni：首个开源实时语音交互模型，边听边说边思考，延迟比GPT-4o还要低
Mini-Omni是一个开源多模态大型语言模型，具备实时对话能力和端到端的语音输入输出功能。通过独特的文本指导并行生成方法，实现了与文本能力一致的语音推理输出，仅需极少的额外数据和模块。 论文题目：Mini-Omni: Language M…
15 0 0
近期声学相关学术论文整理
本文整理了一些近期发表的声学相关论文，供大家了解科研进展。 1.基于复合谐振腔的多频带声波受控传输 出版日期：2024-09-06 DOI：10.1007/s00339-024-07885-x 作者：肖亮, 张智 , 褚佳明 , 罗江霞 ,…
14 0 0
声网对话式AI解决方案，构建实时多模态AI语音交互
在生成式AI领域，随着大模型多模态交互能力的升级，RTC技术推动人与AI的互动超越文字，实现生动、流畅的低延迟语音通话。随着GPT-4o的发布，标志着AI实时语音交互的突破。之前传统大模型虽具备语音交互，但通常使用WebSocket方案，这…
13 0 0
![语音/音频处理学术速递[9.12]](https://api.speechhome.com/Resources/Thumb/2024-09-13/1834478784762482688.jpg)
苹果将ChatGPT集成在iPhone 16
苹果在昨天举办的产品发布会上宣布，将最新开发的 “Apple Intelligence”集成在iPhone 16、iPad 平板和Mac笔记本中，全面拥抱生成式AI。 其中，Siri已经集成了OpenAI的ChatGPT（GPT-4o）功能…
11 0 0