声浪

语音小管家

转载3 months ago

从《Her》里的温柔陪伴，到《普罗米修斯》里冷静执行任务的 David，再到《钢铁侠》里能理解上下文、调度系统、辅助决策的贾维斯，科幻作品一直在想象同一个问题： 真正自然的人机协作，应该是什么样子？ 它不应该只是聊天框里的命令输入，也不应该…

语音小管家

转载3 months ago

近年来，基于大语言模型的语音合成技术快速发展。在普通文本上，模型已经能够稳定生成自然度很高、音色也足够相似的语音。然而，一旦遇到复杂生僻词、排比句或连续重复结构，重复、漏读甚至无限循环等稳定性幻觉仍然可能出现。 这背后有一个基础问题： 语音…

语音小管家

转载3 months ago

本文来源：听见未来Tech 全双工（full-duplex）语音交互要求系统在用户说话的同时并行完成识别、理解与响应决策，其核心难点在于判断当前话轮是否结束——决定何时接话、何时继续等待。传统 VAD（Voice Activity Dete…

语音小管家

转载3 months ago

本文来源：SV4GoodAIlab 论文题目：Audio Embodied Intelligence: Auditory Perception, Reasoning, and Interaction for Multimodal Agent…

语音小管家

转载3 months ago

从赛事启动、数据发布，到公开评测、隐藏评测与系统复核，ChinaVoices Challenge 2026 中文多方言语音识别挑战赛现已圆满完成各项赛程。经过组委会对参赛结果、系统材料与合规情况的综合核验，赛事最终结果于近日正式发布！ 本届…

语音小管家

转载3 months ago

以下文章来源：努力犯错玩AI 近日，独立开发者 Owen Song 发布了 Inflect v2。这是一个极致轻量的英文语音合成模型。Micro 版只有 9.36M 参数，FP32 权重只有 37.5MB。Nano 版更是只有 3.97M…

语音小管家

原创3 months ago

良好的音频生成范式大概的确需要 latent。待压缩的音频无论取 patch 还是 STFT，从无到有的新 dim，本质上都承担着时域压缩的功能；但音频在不同时间尺度下有无法归纳的 semantic 周期，在频域做 polar 或原始 co…