sherpa-onnx：AI 语音界的瑞士军刀
语音开源模型这么多，你还在为如何部署烦恼吗？各种模型环境各式各样，你还在为安装环境晕头转向吗？老板说隐私很重要，要出一个离线的demo，你还在犹豫不知如何下手吗？语音那么多任务，又是vad，又是说话人，还得做识别合成，你还在为组合方案费尽心…
37 0 0
声浪
阿里开源视觉理解大模型 Qwen3-VL：关键评测基准超Gemini 2.5、GPT-5
今日，QwenTeam 正式发布了全新一代多模态视觉语言模型 ——Qwen3-VL 系列。这是 Qwen 家族迄今为止最强大的视觉语言模型，在视觉感知、跨模态推理、长上下文理解、空间推理和智能代理交互等多个维度全面提升。旗舰开源模型Qwen…
11 0 0
大会通知 | 全国人机语音通讯学术会议（NCMMSC 2025）邀您10月镇江共享盛会！
会议简介 全国人机语音通讯学术会议是国内语音领域广大专家、学者和科研工作者交流最新研究成果，促进该领域研究和开发工作不断进步的重要舞台。该系列会议自1990年开创以来已成功召开了十九届。2025年第二十届全国人机语音通讯学术会议（Natio…
13 0 0
大模型“开口”变笨怎么办？EchoX 仅用 6千小时数据构建高智商语音大模型
语音到语音大模型（SLLM）火了，但你是否也发现：一旦从“文字”换成“开口说话”，模型的知识与推理能力就开始出现了退化？这并不是错觉，而是“声学-语义鸿沟”在作怪。本文带你看一篇来自香港中文大学（深圳）李海洲教授/王本友教授团队发布的新模型…
17 0 0
DeepSeek-V3.1「终极版」重磅发布！最大提升超36%，V4/R2还远吗？
来源丨新智元 DeepSeek最新模型DeepSeek-V3.1-Terminus来了！此前在输出中随机掺入「极」字的问题得到显著缓解，Humanity's Last Exam成绩也较V3.1提升1/3！Terminus这个名字是否在暗示D…
25 0 0
![语音/音频处理学术速递[9.23]](https://api.speechhome.com/Resources/Thumb/2025-09-23/1970440004224290816.jpg)
阿里Qwen一夜发布3模型，开启连炸模式！
几个小时前，阿里一次更新了3个大模型，分别是 开源的全模态大模型 Qwen3-Omni 开源的图像编辑大模型Qwen-Image-Edit-2509 不开源的语音合成大模型 Qwen3-TTS 本次发布的3个模型均为多模态大模型，可以说阿里…
23 0 0
突破冯・诺依曼瓶颈：基于材料内计算的低功耗语音识别架构
在最新发表在Nature上的一项研究中，特温特大学（University of Twente）与 IBM Research Europe、丰田汽车欧洲公司（Toyota Motor Europe）合作，提出了一种新型“物理计算”语音识别方法…
14 0 0
![语音/音频处理学术速递[9.22]](https://api.speechhome.com/Resources/Thumb/2025-09-23/1970440170763325440.jpg)
小米开源首个原生端到端语音大模型 Xiaomi-MiMo-Audio
刚刚，小米正式开源首个原生端到端语音模型Xiaomi-MiMo-Audio，该模型参数规模70亿，预训练数据达到超1亿小时，且在开源模型中的语音智能和音频理解基准测试中都实现了SOTA，在多项测试超越同参数量开源模型、谷歌Gemini-2.…
42 0 0