全双工口语对话系统综述：架构层级、交互本体与决策状态机（二）
以下文章来源于乐百一家 论文题目：A Survey of Full-Duplex Spoken Dialogue Systems: Architectural Hierarchy, Interaction Ontology, and Dec…
34 0 0
最新声浪
查看全部 →
模型上新｜Qwen-Audio-3.0-Gen-Preview：从"分别生成"到"统一编排"
今天，阿里千问发布Qwen-Audio-3.0-Gen-Preview。它把各类音频元素的生成与编排统一到同一个模型里，只需一段场景描述，就能在同一条时间轴上同时生成多角色对白、环境声、动作音效和背景音，输出可直接使用的成品音轨。 技术报告…
39 0 0
字节发布 Seedance 2.5，可单次生成30秒视频
来源丨字节跳动Seed 今天，字节发布新一代视频创作模型Seedance 2.5。 Seedance 2.0 发布后，团队观察到，用户对视频创作模型的期待正在从"生成一个片段"走向"完成一段创作"。Seedance 2.5 延续了 Seed…
30 0 0
![语音与音频学术速递[7.31]](https://api.speechhome.com/Resources/Thumb/2026-08-03/2084180614889738240.png)
千问发布ASR模型 Qwen-Audio-3.0-ASR-Flash，长音频不丢词，行业词不用教
今天，千问发布语音识别大模型Qwen-Audio-3.0-ASR-Flash。简单来说，就是让AI更好地听懂专业词汇。这次主要在上下文一致性、行业词识别和热词定制化三个维度做了系统性的优化，同时让模型具备语音润色能力，可直接输出结构化文本。…
30 0 0
AmphionASR：“懂”场景支持大规模热词的个性化语音识别
本文来源：Amphion 如果把语音识别比作一场"听力考试"，传统的ASR模型就像只准备了"标准普通话朗读"这一道题的考生。而现实中的语音场景远比“听写”复杂：会议室里多人同时发言、街头嘈杂环境中的通话、医生在病房里的低声交流、客服电话中的…
28 0 0
万字长文详解全双工口语对话系统综述：架构层级、交互本体与决策状态机
本文来源：乐百一家 论文题目：A Survey of Full-Duplex Spoken Dialogue Systems: Architectural Hierarchy, Interaction Ontology, and Decis…
49 0 0
![语音与音频学术速递[7.30]](https://api.speechhome.com/Resources/Thumb/2026-08-03/2084180367643906048.png)
开源项目｜Agent Presence：开源实时语音框架 Qwen-Audio-Agent 来了
从《Her》里的温柔陪伴，到《普罗米修斯》里冷静执行任务的 David，再到《钢铁侠》里能理解上下文、调度系统、辅助决策的贾维斯，科幻作品一直在想象同一个问题： 真正自然的人机协作，应该是什么样子？ 它不应该只是聊天框里的命令输入，也不应该…
34 0 0
缓解 TTS 的重复与漏读：用注意力引导消除语音合成中的稳定性幻觉
近年来，基于大语言模型的语音合成技术快速发展。在普通文本上，模型已经能够稳定生成自然度很高、音色也足够相似的语音。然而，一旦遇到复杂生僻词、排比句或连续重复结构，重复、漏读甚至无限循环等稳定性幻觉仍然可能出现。 这背后有一个基础问题： 语音…
31 0 0