面向听觉智能与物理AI的
人机交互开发者社区

每日语音速递

原创a month ago

今日论文合集：CS.SD语音与音频 | 共 20 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 1. Parallel Time-Ba…

语音小管家

转载a month ago

“你食咗饭未呀？” 如果把这句粤语交给语音识别系统，它应该写成“你食咗饭未呀”，还是“你吃过饭了吗”？ 乍看之下，方言识别似乎只是准不准的问题。但两个答案可能都对，也可能都不够对：前者保留了说话人的语言习惯和地域色彩，却未必方便所有人阅读；…

每日语音速递

原创a month ago

今日论文合集：CS.SD语音与音频 | 共 7 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 1. Low-Power End-to-…

语音小管家

原创a month ago

本文介绍由香港城市大学与华为香港研究所联合完成的工作SpeechEditBench。该工作构建了一个覆盖中英文、七类原子任务与多属性组合编辑的指令语音编辑综合评测基准，已被EMNLP 2026 Main Conference接收。 论文题目…

语音小管家

转载a month ago

早期 AudioLM 后训练通常以多任务 SFT 为主：通过混合音频理解、语音生成与对话数据，建立基础的音频指令能力。对于功能验证和常规任务覆盖，这一路径足够直接；但随着底座语言能力增强、音频任务边界扩展，单一 SFT 目标开始面临一个更复…

语音小管家

转载a month ago

近日，Google 正式发布了 Gemini 3.5 Transcribe。和 Gemini 系列之前的产品定位不同，这不是一个通用多模态模型，而是一个独立的专用转写模型，只负责语音转文字。 目前 Gemini 3.5 Transcribe…

每日语音速递

原创a month ago

今日论文合集：CS.SD语音与音频 | 共 6 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 1. SpeechGym: An Aud…

语音小管家

转载a month ago

很多人第一次遇到语音识别的"幻觉"，是在一段几乎没有人声的录音里。 会议散场后忘了关录音，最后十分钟只有空调声和收拾东西的动静。转写结果却工整地写着一句："谢谢观看，请点赞订阅。" 没有人说过这句话。模型也不是听错了某个字，而是凭空写出了一…

每日语音速递

原创a month ago

今日论文合集：CS.SD语音与音频 | 共 8 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 1. Domain-Adaptive A…

语音小管家

原创a month ago

本文旨在介绍论文《Fourier is Frontier: Frequency-Aware Autoencoding for High-Fidelity Music Reconstruction》的相关内容，详情如下： GitHub：htt…