面向听觉智能与物理AI的
人机交互开发者社区

语音小管家

原创4 months ago

近日，Cartesia 发布 Sonic-3.5 与 Ink-2 语音模型：基于状态空间模型，首音延迟降至 82ms 并集成原生轮次检测。 Cartesia 推出新一代实时语音端到端模型 Sonic-3.5 与 Ink-2。该系列模型基于状…

语音小管家

转载4 months ago

现在的语音合成（TTS）越来越像真人了，但总觉得少了点“人味儿”。 为什么？因为真人说话不仅仅是念文字，还充满了非语言发声（Nonverbal Vocalizations, NVs）： 生理反应：咳嗽（Cough）、叹气（Sigh）、呼吸声…

语音小管家

转载4 months ago

本期分享西工大音频语音与语言处理研究组（ASLP@NPU）被 Interspeech 2026接收的11篇论文，以下是发表论文的相关信息。 01、OmniCodec: Low Frame Rate Universal Audio Codec…

语音小管家

转载4 months ago

在语音大模型与具身智能快速发展的今天，全双工人机交互正成为学术界与工业界关注的焦点。构建高拟人度、支持实时中断与流式响应的口语对话系统，关键在于是否拥有具备“真实交互动态”与“富含副语言标签”的长音频对话数据。然而，当前开源社区仍缺乏此类大…

语音小管家

原创4 months ago

一个面向沉浸式音频故事创作的自反思闭环多智能体框架。 录取信息：Accepted to Interspeech 2026 论文题目：AuDirector: A Self-Reflective Closed-Loop Framework fo…

语音小管家

原创4 months ago

本文介绍AudioLens，一个全新的用于播放、分析、观察音频文件的 VSCode 插件。 AudioLens 多通道主界面 针对语音、声音事件检测、音频算法、信号处理、机器学习或音频数据集处理工作者，日常工作流的一个痛点问题是： 代码，数…

语音小管家

转载4 months ago

来源丨语音及语言信息处理国家工程研究中心 本期分享 语音及语言信息处理国家工程研究中心智能语音信息处理团队被 Interspeech 2026接收的14篇论文，论文方向涵盖语音编码、语音合成、语音识别、语音匿名化、声音事件检测等。 1、An…