Multi-token Prediction引领语音生成新范式：上海交大、蚂蚁集团联合发布语音交互大模型VocalNet
传统级联式语音交互系统通常采用"语音识别-大语言模型-语音合成"的串联处理流程，这种架构存在明显的时延累积和信息损耗问题。相比之下，语音交互大模型通过端到端的处理方式，将语音理解和语音生成能力深度融合到大语言模型中，从而实现高性能、低时延的…
16 0 0
声浪
![语音/音频处理学术速递[4.23]](https://api.speechhome.com/Resources/Thumb/2025-04-23/1914945490202529792.jpg)
语音合成突破：F5R-TTS首次实现非自回归模型的GRPO优化，零样本克隆性能显著提升
在人工智能技术日新月异的今天，语音合成（TTS）领域正经历着一场前所未有的技术革命。最新一代文本转语音系统不仅能够生成媲美真人音质的高保真语音，更实现了「只听一次」就能完美复刻目标音色的零样本克隆能力。这一突破性进展的背后，是大规模语音数据…
17 0 0
![语音/音频处理学术速递[4.22]](https://api.speechhome.com/Resources/Thumb/2025-04-22/1914613323278716928.jpg)
合成数据也能通吃真实世界？首个融合重建-预测-规划的生成式世界模型AETHER开源
近日，上海人工智能实验室（上海 AI 实验室）开源了生成式世界模型 AETHER。该模型全部由合成数据训练而成，不仅在传统重建与生成任务中表现领先，更首次赋予大模型在真实世界中的 3D 空间决策与规划能力，可助力机器人完成目标导向的视觉规划…
16 0 0
云知声 | 招聘语音合成算法研究员（北京）
云知声专注于物联网人工智能服务，拥有完全自主知识产权、世界顶尖的智能语音识别和相关AI技术。公司成立于2012年6月29日，总部位于北京，在上海、深圳均设有分公司。 云知声利用机器学习平台，在语音技术、语言技术、知识计算、大数据分析等领域建…
25 0 0
![语音/音频处理学术速递[4.21]](https://api.speechhome.com/Resources/Thumb/2025-04-21/1914244909704024064.jpg)
智谱华章 | 招聘音频生成算法工程师（北京）
智谱AI致力于打造新一代认知智能大模型，专注于做大模型的中国创新。公司于2020年底研发GLM预训练架构，2021年训练完成百亿参数模型GLM-10B，同年利用MoE架构成功训练出收敛的万亿稀疏模型，2022年合作研发了中英双语千亿级超大规…
29 0 0
智谱华章 | 招聘音频生成算法工程师（北京）
智谱AI致力于打造新一代认知智能大模型，专注于做大模型的中国创新。公司于2020年底研发GLM预训练架构，2021年训练完成百亿参数模型GLM-10B，同年利用MoE架构成功训练出收敛的万亿稀疏模型，2022年合作研发了中英双语千亿级超大规…
24 0 0
开源语音合成&声音克隆系统：MegaTTS3，仅0.45B参数，中英文混合无缝切换。
今天分享一个声音克隆及语音合成系统——MegaTTS3 MegaTTS3 是由字节跳动与浙江大学联合推出的开源语音合成工具，主模型仅有 0.45B 参数，具备高度轻量化优势。支持超高质量的语音克隆，能在 Huggingface Demo 体…
12 0 0