腾讯AI Lab开源音乐生成大模型SongGeneration
来源丨机器之心 6 月 16 日，腾讯 AI Lab 推出并开源 SongGeneration 音乐生成大模型。 SongGeneration主要解决音乐 AIGC 中音质、音乐性与生成速度这三大共性难题，基于 LLM-DiT 的融合架构，…
31 0 0
声浪
美团提出首个语音交互GUI智能体，端到端语音训练能力优于传统文本训练
GUIRoboTron-Speech团队投稿， 来源丨量子位 由美团和浙江大学联合推出的GUIRoboTron-Speech——让用户解放双手，直接对计算机“发号施令”。 这是首个能够直接利用语音指令和设备屏幕截图进行端到端（End-to-…
23 0 0
INTERSPEECH2025｜多语种语音识别的选择性调用方法
当前全球现存超 7000 种语言，学术界和工业界对多语种语音识别（Multilingual Automatic Speech Recognition）的研究热度持续攀升，核心目标在于扩大语种覆盖范围并提升跨语言识别性能[1][2]。然而，基…
18 0 0
RFWave：基于多频带Rectified Flow的高效音频波形重建
本文介绍清华大学人机语音交互实验室（THUHCSI）在ICLR 2025发表的论文：RFWave：基于多频带Rectified Flow的高效音频波形重建。 本文由来自传音控股TEX AI的刘朋、独立研究员代东洋以及清华大学深圳国际研究生院…
14 0 0
电影声音剪辑师协会禁止使用AI生成式人工智能的电影参奖
来源丨电影声音网 在上周四发布的官方声明中，MPSE（电影声音剪辑师协会） 正式发布 2025 年度奖项将不受理任何使用生成式人工智能制作声音的成品作品，此举划定了奥斯卡、艾美奖及其他主要机构尚未实施的界限。 金卷轴奖主要表彰电影、电视和游…
8 0 0
Interspeech2025｜基于LLM与自监督训练模型的中文方言语音识别对比研究
大规模训练语料库极大地提高了语音识别（ASR）模型的性能。然而由于数据相对匮乏，口音和方言仍然是大多数ASR模型面临的挑战。自监督学习的最新进展表明，其与大型语言模型（LLM）相结合，可以有效提高低资源场景下的 ASR 性能。 近期，西工大…
18 0 0
上线 3 天破 500 星，TEN VAD 与 Turn Detection 让 Voice Agent 对话更拟人
在真实对话里，插话、停顿、甚至讲话重叠都很常见。如果语音 AI 的回应太早、太晚、或者干脆没有回应，整个用户体验就会变得很“出戏”。对话中的“怎么说”往往比“说了什么”更重要。一段停顿可能代表犹豫、礼貌、自信等不同含义。为了让语音 AI 真…
19 0 0
![语音/音频处理学术速递[6.18]](https://api.speechhome.com/Resources/Thumb/2025-06-20/1935891933146779648.jpg)
![语音/音频处理学术速递[6.17]](https://api.speechhome.com/Resources/Thumb/2025-06-20/1935892079293108224.jpg)
21.7K 标星的开源TTS！FishAudio开源情感语音核弹：200万小时炼成“声优AI”！
在 AI 语音模型领域，不论开源还是闭源模型，能在全球排上前十的屈指可数，而 FishAudio 团队语音模型就在其列，每每有新模型上线，总能排进TTS-Arena TOP3之内。 近期，Fish Audio 推出了新一代的 TTS 语音模…
15 0 0