声浪

语音小管家

转载a year ago

最近 TTS 领域是真的越来越卷了，国内外各个互联网大厂轮番上阵。 阿里通义（Qwen）团队最近在开源界简直是“劳模”级别的存在，这边又悄悄上新了全新的Qwen3-TTS。 而且一出手就明显是冲着「自然度 + 多音色 + 多语言」这一代标准…

语音小管家

转载a year ago

这篇论文主要想解决全双工口语对话系统（SDS）的核心难题——怎么让系统同时“听、说、思考”还不混乱，重点提出了一个“语义 VAD”当对话管理器（DM），用轻量级 LLM 搞定轮次切换，平衡了交互流畅度和计算效率。 原文链接：https://…

语音小管家

转载a year ago

作为语音相关研究领域的旗舰国际会议，ASRU2025（IEEE Workshop on Automatic Speech Recognition and Understanding）将于12月6-10日在夏威夷檀香山举办。IEEE ASRU…

语音小管家

转载a year ago

论文题目：《SpeakerLM: End-to-End Versatile Speaker Diarization and Recognition with Multimodal Large Language Models》 论文地址：ht…

语音小管家

转载a year ago

在具身智能迈向真实世界应用的关键阶段，大规模、高质量、多平台兼容的机器人操作数据已成为制约技术突破的核心瓶颈。 为破解这一难题，北京智源人工智能研究院联合蚂蚁天玑实验室、银河通用、乐聚、软通天擎、松灵、星海图、智平方、睿尔曼等产业先锋，以及…

语音小管家

原创a year ago

快手旗下可灵AI正式推出其2.6版本的“音画同出”模型，这是首个支持画面、自然人声、音效及环境氛围同步生成的多模态系统。仅需一次生成，即可输出完整的音视频内容，真正实现了声音与画面的深度融合。 在创作流程上，可灵2.6提供两条高效创作路径：…

语音小管家

转载a year ago

标题：Multi-Reward GRPO for Stable and Prosodic Single-Codebook TTS LLMs at Scale 链接：https://arxiv.org/pdf/2511.21270 作者单位：…