![语音/音频处理学术速递[7.25]](https://api.speechhome.com/Resources/Thumb/2025-07-25/1948652077144215552.jpg)
声浪
OmniAvatar：夸克技术团队 x 浙江大学联合开源，音频驱动全身视频生成模型
近期，夸克技术团队和浙江大学联合开源了OmniAvatar，这是一个创新的音频驱动全身视频生成模型，只需要输入一张图片和一段音频，OmniAvatar即可生成相应视频，且显著提升了画面中人物的唇形同步细节和全身动作的流畅性。此外，还可通过提…
15 0 0
![语音/音频处理学术速递[7.24]](https://api.speechhome.com/Resources/Thumb/2025-07-24/1948308650300936192.jpg)
李沐老师也出手了，教你手搓语音大模型，代码全开源还能在线试玩!
来源丨量子位 李沐老师终于带着他的手搓语音大模型教程回归了，一千万小时音频数据训练的TTS，效果秒杀一众商业&开源的TTS。 本期视频不讲论文，李沐老师来手把手教大家怎样玩转他们团队最新研发的Higgs Audio V2模型，不仅能处理文本…
25 0 0
影视配乐、游戏音效革命：清华大学 & 生数科技 ACM MM 2025 最新研究让 AI 生成时间可控长时音频
文生音频系统（Text-to-audio generation, T2A）在生成模型的持续发展下取得了显著的进展。然而，由于精确时间对齐的音频-文本数据对在质量和数量上的限制，现有 T2A 系统在面对包含精确时间控制的复杂文本提示时表现仍然…
18 0 0
![语音/音频处理学术速递[7.23]](https://api.speechhome.com/Resources/Thumb/2025-07-23/1947919645776416768.jpg)
ACM MM 2025｜DualDub：同时生成和谐的语音与背景音频，构建完整的视频音轨
当前视频到音频(Video-to-Audio, V2A)模型可以从视觉输入中生成逼真的背景音频，但它们大多忽略了语音在视频音轨中的关键组成部分。近期，西工大音频语音与语言处理研究组（ASLP@NPU）联合巨人网络、University of…
16 0 0
![语音/音频处理学术速递[7.22]](https://api.speechhome.com/Resources/Thumb/2025-07-22/1947589847946498048.jpg)
MM 2025丨ISDrama：通过多模态提示实现沉浸式空间戏剧生成
多模态沉浸式空间戏剧生成旨在基于多模态提示，创建具有戏剧韵律的连续多说话人双耳语音，在增强现实（AR）、虚拟现实（VR）等领域具有潜在应用。这项任务需要基于多模态输入同时对空间信息和戏剧韵律进行建模，且数据收集成本较高。 为此，浙江大学的学…
14 0 0
![语音/音频处理学术速递[7.21]](https://api.speechhome.com/Resources/Thumb/2025-07-21/1947199836927430656.jpg)