腾讯开源文本到音频生成模型 EzAudio
近日，约翰霍普金斯大学与腾讯 AI 实验室联合推出了一款名为 EzAudio 的新型文本到音频生成模型。和之前发布的audiocraft和 Stable Audio Tools 类似，都可以通过一段提示词生成对应逼真的音频文件。 EzAud…
27 0 0
声浪
LLaMA-Omni 低延迟高质量语音交互，开源！
随着GPT-4o的发布，在语音界面的Voice-Chat越来越受到大家的关注，对于低延迟，高准确性模型的speech-to-speech的需求日益增长，来自中科院计算所NLP组的LLaMA-Omni 有效的解决了这样的需求，该模型整合了预训…
29 0 0
OpenAI DevDay 大会发布4款重磅API功能，处理量增加50倍！
今天凌晨，OpenAI在美国旧金山召开了第二届开发者大会，发布了4大新的API功能。 实时语音API：每个APP里都可以拥有“Her”； 视觉微调API：只需100张图提升GPT-4o特定任务图像理解能力； 自动提示词缓存：模型最近见过的输…
26 0 0
一文详解：最新版本 Llama 3.2
来源丨图灵AI云 Meta AI最近发布了 Llama 3.2。这是他们第一次推出可以同时处理文字和图片的多模态模型。这个版本主要关注两个方面： 视觉功能：他们现在有了能处理图片的模型，参数量从11亿到90亿不等。 轻量级模型：这些模型参数…
29 0 0
3秒原声即可克隆声音，AI音频成诈骗神器！律师父亲险被骗走21万
来源丨新智元 Deepfake到底有多可怕？国外一名律师的父亲，险些陷入一场巨大AI骗局。诈骗者借助AI克隆其儿子的声音，伪造车祸事故要挟3万保释金。GenAI技术犯罪泛滥同时，科学家们也在寻找破魔之道。 AI泛滥成灾的时代，真假孰能分辨？…
35 0 0
IEEE SLT2024 ｜ DualSep：用于实时车载语音分离的轻量级双编码器卷积递归网络
近年来，深度学习的迅猛发展推动了语音识别、语音增强和说话人识别等技术的显著进步，极大改善了人机交互体验。随着声控智能设备的不断演变，对更自然、便捷的交互方式的需求日益增加。在众多应用场景中，人车语音交互作为人机交互的一种形式，尤其受到关注。…
90 0 0
![语音/音频处理学术速递[9.30]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-10-09/1843961748177162240.jpg)
近期【超声】相关学术论文整理
来源丨21dB声学人 本文整理了一些近期发表的超声相关论文，供大家了解科研进展。 1.使用响应面方法研究增材制造和超声波涂层参数对生物聚合物支架性能的影响 出版日期：2024-09-25 DOI：10.1002/bip.23629 作者：S…
31 0 0
150万条多语种音频数据！浙大清华发布语音伪造检测框架SafeEar，兼顾隐私保护
来源丨新智元 SafeEar是一种内容隐私保护的语音伪造检测方法，其核心是设计基于神经音频编解码器的解耦模型，分离语音声学与语义信息，仅利用声学信息检测，包括前端解耦模型、瓶颈层和混淆层、伪造检测器、真实环境增强四部分。 论文地址：
31 0 0
突发！ OpenAI首席技术官离职，高层动荡继续
今天，OpenAI的首席技术官Mira Murati宣布离开OpenAI。 Mira曾在去年Sam Altman被罢免之后短暂担任临时CEO的职位，同时在他返回OpenAI发挥了重要作用。 如今Mira也离开了，加上正在休长假的Greg B…
32 0 0