Edge0 发布中英双语流式语音识别模型 Audio8-ASR-Infinite
Edge0 发布 Audio8-ASR-Infinite 预览版，面向中英文实时语音识别，提供 80、120 和 160ms 三档流式音频时钟，并可将转写延迟配置在 240–560ms。 模型原生上下文为 30 秒，但通过滚动 KV 缓存持…
12 0 0
最新声浪
查看全部 →
活动报名：OpenAI 和 Thinking Machines 都押注的实时交互模型，下一步往哪走？丨iRTE 2026
过去一年，OpenAI、Thinking Machines Lab 等多模态团队开始把注意力从「生成更拟人的语音回答」，迈向一个更难的问题：AI 如何真正参与一场实时发生的互动。 全双工模型让智能体边听边说，全模态让语音、视觉等信息协同判断…
12 0 0
![语音与音频学术速递[9.30]](https://api.speechhome.com/Resources/Thumb/2026-10-08/2108113004972347392.png)
语音与音频学术速递[9.30]
今日论文合集：CS.SD语音与音频 | 共 25 篇。 本文经arXiv每日学术速递授权转载，微信公众号：arXiv_Daily [机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准 快速导航 1. 语音识别与关键词检测…
7 0 0
YODAS v3 开源 110 万小时 48kHz 多通道语音数据，覆盖 147 种语言
ESPnet 团队发布开放语音数据集 YODAS v3，收录超过 110 万小时、147 种语言的真实世界音频，全部以 48kHz 发布，其中超过 70% 包含两个及以上真正不同的音频通道。 相比此前主要面向语音识别的 YODAS，v3 加…
10 0 0
![语音与音频学术速递[9.28]](https://api.speechhome.com/Resources/Thumb/2026-10-08/2108112465366749184.png)
语音与音频学术速递[9.28]
今日论文合集：CS.SD语音与音频 | 共 15 篇。 本文经arXiv每日学术速递授权转载，微信公众号：arXiv_Daily [机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准 快速导航 1. 语音识别与关键词检测…
7 0 0
ICASSP 2027丨ADD 2026国际挑战赛开放报名
虚假音频检测技术日益受到关注，但现有技术仍存在两方面的局限：一是人工模仿音频检测。真人模仿者可复现目标说话人的韵律、音色和风格，与AI合成音频不同，人工模仿音频无明显生成痕迹，对现有检测方法构成严峻挑战。二是可解释性检测。为增强检测可信度，…
31 0 0
机器人不只要“听懂声音” HEAR让机械臂在动作中持续“听” 并记住关键声学线索
本文来源丨21db声学人 视觉—语言—动作模型已经让机器人越来越会“看着做事”，但现实操作中的很多关键状态并不写在画面里：微波炉“叮”的一声、电话铃响、咖啡壶沸腾时的喷溅声，往往只出现几百毫秒。上海交通大学与剑桥大学团队提出 HEAR 框架…
22 0 0
LingX-TTS深度解读：当TTS开始“演”角色，Voice Design赛道的技术拐点到了？
过去两年，TTS（文本转语音）赛道的竞争焦点发生了一次微妙的转移。 早期大家比的是“像不像真人”——音色克隆、自然度、音质MOS分。但当ElevenLabs把Voice Design的概念带火之后，一个新的问题浮出水面：一个声音“好听”，不…
36 0 0
ICASSP 2027丨赛事合集
IEEE 国际声学、语音与信号处理会议（ICASSP）是 IEEE 信号处理学会的旗舰会议，每年汇聚全球信号处理、人工智能、通信、感知与多媒体等领域的顶尖专家学者，围绕相关议题展开交流与讨论，推动信号处理理论、方法及应用的创新发展。第52届…
27 0 0
IEEE TAFFC 2026｜文本、语音还是表情？TCaN让多模态情感分析在每一刻判断“谁更可信”
以下文章来源于SIGCHI XI AN 当一个人说“我很好”时，文本传递着积极含义，语调却逐渐低沉，面部表情又在某个瞬间短暂僵住——模型究竟应该相信哪一种信号？ 核心观点 情绪并非静态峰值的集合；可靠的多模态理解，需要先读懂变化的过程，再决…
20 0 0