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6 months ago

文生音频（Text-to-audiogeneration, T2A）与视频配音（Video-to-audiogeneration, V2A）等音频生成任务近年来随着扩散模型的发展取得了显著进展。现有研究从数据空间、网络结构以及条件控制等多个…

语音小管家

转载6 months ago

以下文章来源于Amphion，作者Amphion Team 「现存问题」 这几年，端到端 Speech LLM 进步很快： 语音输入可以直接问答 不再必须“ASR转文字 → 再丢给LLM” 看起来离“直接听懂并推理”已经很近了 但一个很顽固…

语音小管家

转载6 months ago

你有没有想过，一首歌能不能任意改词，旋律保持不变？ 想象一下这样的场景：你特别喜欢一首歌的旋律，但歌词想换成自己写的；或者你想把一首中文歌"翻唱"成英文版，旋律保持不变，歌词却是全新的英文内容。以前要做到这件事，要么得先提取MIDI，手动对…

语音小管家

转载6 months ago

来源丨RTE开发者社区 近日，MOSI.AI 和 OpenMOSS 团队 开源了MOSS-TTS-Nano，一个0.1B参数 的多语言微型语音生成模型，直接把“实时语音克隆”门槛打到了地板价。 MOSS-TTS-Nano 专注于 TTS 部…

语音小管家

原创6 months ago

未来生活实验室是阿里集团旗下的核心AI研发与产品化部门。我们深耕多模态大模型领域，致力于打破交互边界，重新定义数字生活的未来。通过聚焦多模态技术研究，我们持续挑战智能上限，实现视觉、听觉与语言的高维度融合；同时，我们积极探索并定义新一代多模…

语音小管家

转载6 months ago

论文链接: https://arxiv.org/pdf/2508.06098v2 代码链接: https://github.com/xiquan-li/MeanAudio 发表会议: ACL 2026 近年来，文本转音频生成（TTA）技术取…

每日语音速递

转载6 months ago

来源丨开源星探 做视频剪辑的人都懂，从几小时的素材里剪出一段踩点精准、叙事流畅的短视频有多折磨人。 特别是对于旅拍博主和Vlogger来说，拍了一天5-6小时的素材，回来还要花好几个小时慢慢剪，真正的创作热情都被这种机械劳动消磨掉了。 更别…