语音生成的「智能涌现」：10万小时数据训练，亚马逊祭出10亿参数BASE TTS
伴随着生成式深度学习模型的飞速发展，自然语言处理（NLP）和计算机视觉（CV）已经经历了根本性的转变，从有监督训练的专门模型，转变为只需有限的明确指令就能完成各种任务的通用模型。 在语音处理和文本到语音（TTS）领域，这样的转变也正在发生，…
64 0 0
声浪
![语音/音频处理学术速递[2.14]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-02-20/1759777707706683392.jpg)
WhisperFusion：具有超低延迟无缝对话功能的AI系统
WhisperFusion 基于 WhisperLive 和 WhisperSpeech 的功能而构建，在实时语音到文本管道之上集成了大型语言模型 Mistral (LLM)。 LLM 和 Whisper 都经过优化，可作为 TensorR…
39 0 0
Apple的这篇人工智能论文提出了声学模型融合，用以大幅降低语音识别系统中的单词错误率
Apple人工智能论文在提高自动语音识别 (ASR) 系统的准确性和效率方面取得了重大改进。最近的研究深入探讨将外部声学模型 (AM) 集成到端到端 (E2E) ASR 系统中，提出了一种解决域不匹配这一持续挑战的方法，这是语音识别技术中的…
36 0 0
ICASSP2024 | 基于音频质量的多策略目标说话人提取
目标说话人提取（Target Speaker Extraction, TSE）旨在从包含多个说话人的复杂音频中分离出特定的说话人的语音。在诸如会议交流和家庭聚会等场景中，存在诸多干扰说话人和背景噪声，这种情况下对特定说话人的语音提取是一项极…
44 0 0
IBM安全研究人员揭示了劫持实时对话的深度伪造人工智能音频攻击
IBM安全研究人员最近发现了一种“令人惊讶且极其简单”的技术，可以使用人工智能 (AI) 劫持和操纵实时对话。 这种被称为“音频劫持”的攻击依赖于生成人工智能（一类人工智能，包括OpenAI 的ChatGPT和Meta的Llama-2）和D…
16 0 0
ICASSP2024 | SponTTS: 面向自发风格的语音合成与风格迁移
自发语音合成（Spontaneous speech synthesis）就像ChatGPT的语音合成效果一样，旨在模仿人类自然说话的方式，包括讲话中出现的不自觉停顿、拖音等自发现象，以及更加多变的语气、语调、语速和节奏，甚至包括一些非语言内…
55 0 0
南洋理工大学NTU-生成式有源噪声控制GFANC
最近南洋理工大学DSP实验在TASLP，SPL，ICASSP上发表了生成式固定滤波器主动噪声控制(Deep Generative Fixed-filter Active Noise Control, GFANC) 的相关文章。这些研究侧重于…
28 0 0
TTS它又来了！OpenVoice：一款借鉴于TTS实现的强大的AI语音克隆工具！
2023年被大家称为人工智能元年，在GPT技术不断爆火的背景下，人工智能技术也在不断的发展和演化。各种AI工具也层出不穷，其中 语音克隆技术 也是尤为引人瞩目的产品之一。 而OpenVoice作为一款强大的多语言即时语音克隆AI工具，可以为…
31 0 0
IEEE SPL｜基于高阶信息交互和特征校准的单通道语音增强网络
期刊介绍：IEEE Signal Processing Letters (影响因子: 3.9) 是一本旨在快速传播原创的、前沿的思想和及时的重要贡献的期刊，涵盖了信号处理、图像处理、语音处理、语言处理和音频处理等领域。 论文题目：IIFC-…
33 0 0