FastSpeech语音合成系统技术升级，微软联合浙大提出FastSpeech 2
基于深度学习的端到端语音合成技术进展显著，但经典自回归模型存在生成速度慢、稳定性和可控性差的问题。 去年，微软亚洲研究院和微软 Azure 语音团队联合浙江大学提出了快速、鲁棒、可控的语音合成系统 FastSpeech，近日研究团队又将该技…
16 0 0
最新声浪
查看全部 →
Kaldi的三音子模型训练（源码解析）
单音子模型的假设是一个音素的实际发音与其左右的音素无关。这个假设与实际并不符合。由于单音子模型过于简单，识别结果不能达到最好，因此需要继续优化升级。就此引入多音子的模型。最为熟悉的就是三音子模型，即上下文相关的声学模型。以kaldi的thc…
228 0 0
语音合成（TTS)论文优选：HiFiSinger:TowardsHigh-Fidelity Singing Synthesis
高仿真的音频合成需要处理高采样率的音频数据，尤其是歌唱合成。相对于使用16kHz和24kHz的音频，使用48kHz的音频将会覆盖更宽的频带和更长的音频序列，这将给音频合成造成极大的挑战。本文针对使用48kHz音频带来的问题，提出了HiFiS…
18 0 0
开源技术分享 | 音视频结合实现语音增强
WACV 2021的录用论文Visual Speech Enhancement Without A Real Visual Stream。该文研究涉及计算机视觉与语音处理的交叉。 论文信息
20 0 0
10小时训练数据打造多语种语音识别新高度
在刚刚结束的NIST OPENASR评测中，TEG AI语音联合清华大学，刷新世界小语种语音识别比赛6项第一。从2000年开始，NIST组织的RT（英文语音识别），LRE（语音语种识别），SRE（语音说话人识别），OPENKWS（语音关键词…
30 0 0
PyTorch+Kaldi、专注E2E语音识别，腾讯AI Lab开源轻量级语音处理工具包PIKA
PyTorch + Kaldi，腾讯 AI Lab 开源轻量级语音处理工具包 PIKA，专注于端到端语音识别任务。 Kaldi 是一个开源的语音识别系统，由 Daniel Povey 主导开发，在很多语音识别测试和应用中广泛使用。但它依赖大…
229 0 0
解读智能语音技术的2020：跨语种语音技术成高频关键词，商业化“加速度”落地
2016 年，深度学习和深度神经网络的突破使得智能语音识别的准确率第一次达到了人类水平，也促使智能语音技术进入到落地阶段。尤其是近几年，语音识别技术逐渐走向成熟，在万物互联趋势下，智能语音技术在教育、金融等各个行业落地日益深入。2020 年…
35 0 0
Kaldi的解码搜索（源码解析）
构建了HCLG解码图后，解码就是在这个图上寻找一条最优路径。最优路径上去除epsilon后的输出标签序列就是单词级别的识别结果。本篇主要解析kaldi源码实现。 解码 decode.sh 源码解析：
307 0 0
人机交互新突破：多模态交互技术
近年来服务机器人逐渐进入商场、银行、机场等场所，但多数服务机器人仅能被动响应用户的请求，且使用和交互的频率非常低，也就成为了“移动平板电脑”。 为此，百度的工程师们率先在小度机器人（DuRobot）上开展了一项技术革新。小度机器人落地于百度…
151 0 0