微信 Audio-Omni：一个模型通吃声音 / 音乐 / 语音，理解生成编辑全搞定，7.9B 参数碾压专用模型
论文链接: https://arxiv.org/abs/2604.10708v1 代码链接: https://zeyuet.github.io/Audio-Omni 发表会议: arxiv Sora 带火了视频生成，但音频 AI 却一直深陷…
36 0 0
最新声浪
查看全部 →![语音/音频处理学术速递[4.20]](https://api.speechhome.com/Resources/Thumb/2026-04-20/2046107462125359104.png)
字节Seedance 2.0公布细节，真实世界复杂度生成新标杆
论文标题：Seedance 2.0: Advancing Video Generation for World Complexity 论文链接：https://arxiv.org/abs/2604.14148v1 代码链接：https://…
34 0 0
ICASSP 2026 | 面向片段感知学习的语音深度伪造定位方法
随着语音合成与语音转换技术的快速发展，语音深度伪造(Speech Deepfake)正变得愈发逼真与普及。从早期的整句生成，到如今更具隐蔽性的局部篡改(Partial Spoofing)，攻击者可以仅修改语音中的关键片段(如数字、人名或关键…
20 0 0
![语音/音频处理学术速递[4.17]](https://api.speechhome.com/Resources/Thumb/2026-04-17/2045065865753399296.png)
通义开源：Qwen3.6-35B-A3B
体量轻巧、推理高效，Qwen3.6-35B-A3B 开源！ 这是一款采用稀疏混合专家（MoE）架构的高效模型：总参数350 亿，每次推理仅激活30 亿参数。 参数量虽小，性能依旧强劲。在智能体编程上，它大幅超越前代 Qwen3.5-35B-…
33 0 0
阿里开放世界模型“快乐生蚝”来了，从视频到一个新世界
来源丨智东西，作者：王涵，编辑：李水青 阿里首个世界模型突然发布！实测一点不比李飞飞的逊色？ 智东西4月16日报道，刚刚，阿里ATH创新事业部发布了其首款开放式世界模型HappyOyster（快乐生蚝）。 基于原生多模态架构，该模型支持多模…
20 0 0
阶跃发布 StepAudio 2.5 TTS，零样本复刻+全音色调控
今天，阶跃发布新一代语音生成模型StepAudio 2.5 TTS！ 围绕全局语境控制、文中语境控制、零样本复刻与全音色控制三项核心能力， StepAudio 2.5 TTS 让语音生成更自然、更灵活也更有表现力。 全局语境控制：支持自定义…
30 0 0
腾讯最新世界模型开源！一句话造出3D世界，兼容游戏引擎
来源丨智东西，作者：江宇，编辑：漠影 腾讯正式发布并开源混元3D世界模型2.0（HY-World 2.0）。作为一款多模态的世界模型，HY-World 2.0支持文字、图片和视频等形式输入，可自动生成、重建并模拟完整的3D世界。 对于游戏行…
21 0 0
NVIDIA 开源 Audio Flamingo Next：百万小时音频训练、时间戳 CoT 推理，长音频理解超越 Gemini 2.5 Pro
标题：《Audio Flamingo Next: Next-Generation Open Audio-Language Models for Speech, Sound, and Music》 链接：https://arxiv.org/a…
30 0 0