声浪

语音小管家

原创2 years ago

传统级联式语音交互系统通常采用"语音识别-大语言模型-语音合成"的串联处理流程，这种架构存在明显的时延累积和信息损耗问题。相比之下，语音交互大模型通过端到端的处理方式，将语音理解和语音生成能力深度融合到大语言模型中，从而实现高性能、低时延的…

语音小管家

转载2 years ago

在人工智能技术日新月异的今天，语音合成（TTS）领域正经历着一场前所未有的技术革命。最新一代文本转语音系统不仅能够生成媲美真人音质的高保真语音，更实现了「只听一次」就能完美复刻目标音色的零样本克隆能力。这一突破性进展的背后，是大规模语音数据…

语音小管家

原创2 years ago

随着语音领域生成式人工智能与音频伪造技术的迅猛发展，语音深度伪造（Deepfake），也称为语音反欺骗（Anti-spoofing），已成为信息安全领域的重要挑战。与此同时，基于语音大模型（如wav2vec 2.0 [1]、WavLM [2…

语音小管家

原创2 years ago

近日，上海人工智能实验室（上海 AI 实验室）开源了生成式世界模型 AETHER。该模型全部由合成数据训练而成，不仅在传统重建与生成任务中表现领先，更首次赋予大模型在真实世界中的 3D 空间决策与规划能力，可助力机器人完成目标导向的视觉规划…

语音小管家

转载2 years ago

TytoCare作为虚拟护理领域的创新企业，专注于为家庭环境提供高效的基础医疗服务。近日，该公司取得重要突破——其Tyto Insights™系统的哮鸣音检测功能获得FDA批准，这意味着TytoCare成为全球首家实现AI技术全面检测三种主…

语音小管家

原创2 years ago

今天分享一个声音克隆及语音合成系统——MegaTTS3 MegaTTS3 是由字节跳动与浙江大学联合推出的开源语音合成工具，主模型仅有 0.45B 参数，具备高度轻量化优势。支持超高质量的语音克隆，能在 Huggingface Demo 体…

语音小管家

转载2 years ago

昨天字节开源多模态智能体 UI-TARS-1.5，这是一款基于视觉-语言模型构建的开源多模态智能体，能够在虚拟世界中高效执行各类任务。 GitHub：https://github.com/bytedance/UI-TARS Website：…