SpeechJudge：让机器真正理解“人类觉得什么是自然”
语音合成（TTS）领域长期存在一个矛盾：机器判断的“自然”与人类主观感受脱节。 这样的场景常常出现：你让AI生成一段语音，客观指标显示“完美”（如WER=0、FAD极低），但听起来却像机器人在背书。 如何让机器get到人类觉得“自然”的点？…
28 0 0
声浪
百变人声·身临其境：Ming-flash-omni-2.0 语音生成
百灵多模态团队节前前发布了 Ming-flash-omni-2.0，基于其语音模块，我们新发布了 Ming-omni-tts，通过模型 scale up 实现了更强的效果。 不管你是短视频博主配旁白，独立播客创作者想把单人对话变成双人播客，…
21 0 0
![语音/音频处理学术速递[2.20]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871349749878784.png)
![语音/音频处理学术速递[2.19]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871503588560896.png)
![语音/音频处理学术速递[2.18]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871022791299072.png)
![语音/音频处理学术速递[2.17]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026871180593598464.png)
![语音/音频处理学术速递[2.16]](https://api.speechhome.com/Resources/Thumb/2026-02-26/2026870858320056320.png)
定义下一代音频基础模型统一接口：300 万小时海量音频预训练的 MOSS-Audio-Tokenizer 正式开源
在大语言模型（LLM）的演进中，文本分词器（Tokenizer）作为离散接口，为模型的压缩、理解、生成与上下文学习奠定了基石。然而，在音频领域，如何构建一个简单、同构且具备强大扩展潜力（Scalable）的离散接口，依然是通往“原生音频大模…
18 0 0
壁仞科技壁砺™ 166M极速支持MOSS-TTS Family
2月10日，由上海创智学院孵化的模思智能及OpenMOSS团队正式发布并开源了MOSS-TTS Family。模型发布后，壁仞科技（06082.HK）旗舰产品壁砺™ 166M率先完成其中语音生成基座MOSS-TTS模型的高性能推理部署。作为…
21 0 0
Zero-Shot 歌声合成来了：支持中英粤三语的 SoulX-Singer 开源
过去一年，生成式人工智能在音乐行业的应用正不断创造新体验，但歌唱语音合成领域（SVS，Singing Voice Synthesis）整体进展相对缓慢。 为拓展这一领域，近日，Soul App AI 团队（Soul AI Lab）与吉利汽车…
19 0 0