![语音/音频处理学术速递[4.3]](https://api.speechhome.com/Resources/Thumb/2026-04-03/2039963300913090560.png)
声浪
RTE 开发者社区发布 RealNoise™ TTS：全球首个原生合成动态声场的语音大模型
来源丨RTE 开发者社区 🔊本文是RTE开发者社区于4月1日愚人节和 AI 一起凭空造了一个能「感知语境并动态合成环境噪声的 TTS 模型」，虽是愚人节彩蛋，但有一定的参考价值。🔊 近日， 由 RTE 开发者社区共创孵化的 Noice…
26 0 0
ICASSP 2026 | MEANSE: 基于平均速度流的高效生成式语音增强
语音增强（Speech Enhancement, SE）旨在提升降质语音的质量，其中流匹配（Flow Matching）等生成模型因其卓越的感知质量而备受关注。然而，基于流的模型需要多次函数评估（Number of Function Eva…
27 0 0
![语音/音频处理学术速递[4.2]](https://api.speechhome.com/Resources/Thumb/2026-04-02/2039633683115282432.png)
突破零样本TTS音色克隆上限：LongCat-AudioDiT 的声音克隆艺术
来源：龙猫LongCat 音频生成技术正在经历一场全新的范式迁移——从传统级联架构，逐步向端到端生成范式演进。长期以来，主流的做法是“曲线救国”：合成系统先将音频压缩成梅尔频谱图等中间表征，再依赖神经声码器“翻译”回波形。每一次转换都带来信…
22 0 0
阿里发布图像生成与编辑统一模型 Wan2.7-Image
来源丨千问大模型 今天，阿里发布图像生成与编辑统一模型 Wan2.7-Image 正式发布。 针对当前AI生图中的审美疲劳、色彩失控等痛点，Wan2.7-Image带来了更具“活人感”的人物生成、精准的色彩控制以及超长文本渲染能力。 体验…
16 0 0
美团开源 LongCat-Next，仅3B参数实现文本到图像再到语音全模态统一处理
来源丨AIGC Studio 近日，美团开源了一款名为 LongCat-Next 的原生全模态模型，该模型能够接受文本、语音、图像的输入，并生成相应的文本、语音、图像输出。 LongCat-Next不仅简化了多模态建模的复杂性，还在图像理解…
38 0 0
ICASSP2026 | WenetSpeech-Chuan：用于方言语音处理的多维标注大规模四川话语音语料库
语音理解与生成的飞速发展离不开大规模高质量语音数据集的推动。其中，语音识别（ASR）和语音合成（TTS）被公认为最首要的任务。但对于拥有约 1.2亿 母语使用者的川渝方言而言，受限于标注资源匮乏，研究进展缓慢，ASR 与 TTS 的表现始终…
23 0 0
![语音/音频处理学术速递[4.1]](https://api.speechhome.com/Resources/Thumb/2026-04-01/2039246586332188672.png)
NCMMSC被列入CCF推荐C类国际学术会议目录
近日，中国计算机学会（CCF）正式发布了第七版《中国计算机学会推荐国际学术会议和期刊目录》(https://www.ccf.org.cn/Academic_Evaluation/By_category/)。 值得关注的是，全国人机语音通讯学…
16 0 0