声浪

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音8篇，eess.AS音频处理11篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

语音小管家

转载3 years ago

3D-Speaker是通义实验室语音团队贡献的一个结合了声学、语义、视觉三维模态信息来解决说话人任务的开源项目。本项目涵盖说话人日志，说话人识别和语种识别任务，开源了多个任务的工业级模型，训练代码和推理代码。 本项目同时还开源了相应的研究数…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音13篇，eess.AS音频处理16篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

21dB声学人

转载3 years ago

语音识别系统应该足够强大，能够适合所有人群——包括具有不同说话风格、口音和其他特征的人群。为了衡量自动语音识别（ASR）工具在不同人口群体中的表现，人工智能从业者需要多样化的语音数据。为了与开放科学方法保持一致，Meta发布了一个以公平为导…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音12篇，eess.AS音频处理17篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

西工大音频语音与语言处理研究组

原创3 years ago

多通道语音识别（Multi-channel ASR）的目标是识别由多个麦克风（如麦克风阵列）拾取的多通道音频，相较于标准的单通道语音识别，多通道语音识别通过有效利用多通道信号提供的空间信息，帮助提升语音识别的性能。在实际应用中，由于麦克风阵…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音5篇，eess.AS音频处理6篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

西工大音频语音与语言处理研究组

原创3 years ago

视听语音识别（Audio-visual speech recognition, AVSR）是指结合音频和视频信息对语音进行识别的技术。当前，语音识别（ASR）系统在准确性在某些场景下已经达到与人类相媲美的水平。然而在复杂声学环境或远场拾音场…

每日语音速递

原创3 years ago

今日论文合集：cs.SD语音6篇，eess.AS音频处理6篇。 本文经arXiv每日学术速递授权转载 cs.SD语音

量子位

转载3 years ago

谷歌大模型，开源了！ 一夜之间，Gemma系列正式上线，全面对外开放。 它采用Gemini同款技术架构，主打开源和轻量级，免费可用、模型权重开源、允许商用，同时笔记本可跑。 共有2B和7B两个版本，性能全面超越开源标杆Llama 2。 每种…